【极简笔记】CycleGAN

CycleGAN是一种双向GAN模型,使用对抗损失和循环损失进行无配对图像到图像的转换。它在训练时不需要配对的图像数据,能学习两个域之间的映射。该模型包括生成器G和F,以及域判别器DX和DY,通过最小化对抗损失和循环损失来提高生成图像的真实感和准确性。尽管存在改变输入图像外观而非形状的局限性,CycleGAN在各种转换任务中表现出优越效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

【极简笔记】Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks(CycleGAN)

论文地址:https://arxiv.org/abs/1703.10593

文章核心贡献是提出了一种双向GAN模型,通过双向adversarial loss和cycle loss的约束使得生成器的映射域更加逼真。该方法在训练过程中对图片要求是unpaired,即给出的是两个图像域,需要学习域之间的映射。
structure
记需要学习的从域X到域Y的映射为G(生成器),反向映射为F(生成器)。在域Y有判别器 DY D Y ,在域X有判别器 DX D X ,用对抗学习的方式训练,不仅要求判别器能够尽可能区分真实图片与生成图片,而且要求两次映射后的误差尽量小,即 F(G(X))X,G(F(Y))Y F ( G ( X ) ) ≈ X , G ( F ( Y ) ) ≈ Y

Adversarial Loss(文中指出least-squares loss比negative log likelihood更稳定):

LGAN(G,DY,X,Y)=Ey
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值