Ποια είναι η ιδέα του Cycle-GAN; Ποιες απώλειες χρησιμοποιούνται σε αυτό;

Το Cycle-GAN είναι μια αρχιτεκτονική γεννητικών ανταγωνιστικών δικτύων σχεδιασμένη για να μαθαίνει τη μετατροπή εικόνων από έναν τομέα σε έναν άλλο χωρίς ζευγαρωμένα παραδείγματα (μη εποπτευόμενη μετάφραση εικόνας σε εικόνα).

Η κύρια ιδέα είναι να διασφαλιστεί η κυκλική συνέπεια: αν μετατρέψετε μια εικόνα από τον τομέα A στον τομέα B και στη συνέχεια πίσω στον A, το αποτέλεσμα πρέπει να είναι κοντά στην αρχική εικόνα.

Χρησιμοποιούνται οι ακόλουθοι τύποι απώλειας:

• Ανταγωνιστική απώλεια (Adversarial Loss): κάνει τις παραγόμενες εικόνες να μοιάζουν με τις πραγματικές εικόνες του στόχου.

• Απώλεια κυκλικής συνέπειας (Cycle Consistency Loss): τιμωρεί την απόκλιση μεταξύ της αρχικής εικόνας και της ανακατασκευασμένης εικόνας μετά από διπλή μετατροπή (A→B→A και B→A→B).

• Απώλεια ταυτότητας (Identity Loss): προαιρετικά, βοηθά στη διατήρηση της παλέτας χρωμάτων και της δομής όταν η εικόνα ήδη ανήκει στον στόχο τομέα.

Έτσι, το Cycle-GAN επιτρέπει την εκπαίδευση μοντέλων μετατροπής μεταξύ τομέων χωρίς την ανάγκη για ζευγάρια αντιστοιχισμένων εικόνων.