Quelle est l'idée de Cycle-GAN ? Quelles pertes sont utilisées dans celui-ci ?

Cycle-GAN est une architecture de réseaux antagonistes génératifs conçue pour apprendre la transformation d’images d’un domaine à un autre sans exemples appariés (traduction d’image à image non supervisée).

L’idée principale est d’assurer la cohérence cyclique : si l’on transforme une image du domaine A en domaine B, puis de nouveau en A, le résultat doit être proche de l’image initiale.

Les types de pertes suivants sont utilisés :

• Perte adversariale : oblige les images générées à ressembler aux images réelles du domaine cible.

• Perte de cohérence cyclique : pénalise la divergence entre l’image originale et l’image reconstruite après la double transformation (A→B→A et B→A→B).

• Perte d’identité : optionnelle, elle aide à préserver la palette de couleurs et la structure lorsque l’image appartient déjà au domaine cible.

Ainsi, Cycle-GAN permet d’entraîner des modèles de transformation entre domaines sans avoir besoin de paires d’images correspondantes.