Какая идея у Cycle-GAN? Какие потери в нём используются?

Cycle-GAN — это архитектура генеративных состязательных сетей, предназначенная для обучения преобразования изображений из одного домена в другой без парных примеров (unsupervised image-to-image translation).

Основная идея — обеспечить циклическую согласованность: если преобразовать изображение из домена A в домен B, а затем обратно в A, то результат должен быть близок к исходному изображению.

Используются следующие виды потерь:

• Adversarial Loss (состязательная потеря): заставляет сгенерированные изображения быть похожими на реальные из целевого домена.

• Cycle Consistency Loss (потеря циклической согласованности): штрафует за несоответствие между исходным изображением и изображением, восстановленным после двойного преобразования (A→B→A и B→A→B).

• Identity Loss (потеря идентичности): опционально, помогает сохранить цветовую палитру и структуру, когда изображение уже принадлежит целевому домену.

Таким образом, Cycle-GAN позволяет обучать модели преобразования между доменами без необходимости иметь пары соответствующих изображений.