【极简笔记】CycleGAN

最新推荐文章于 2024-07-25 09:07:39 发布

Hibercraft

最新推荐文章于 2024-07-25 09:07:39 发布

阅读量2k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Hibercraft/article/details/79406555

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 $D_Y$ ，在域X有判别器 $D_X$ ，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 $F(G(X))\approx X,G(F(Y))\approx Y$ 。