Mi a Cycle-GAN ötlete? Milyen veszteségeket használnak benne?

A Cycle-GAN egy generatív ellenfeleket alkalmazó hálózat architektúra, amelyet arra terveztek, hogy képeket tanuljon meg egyik doménből a másikba alakítani párosított példák nélkül (felügyelés nélküli kép-hez-kép fordítás).

A fő ötlet a körkörös összhang biztosítása: ha egy képet az A doménből a B doménbe alakítunk, majd vissza A-ba, az eredménynek közel kell lennie az eredeti képhez.

A következő veszteség típusokat használják:

• Ellenséges veszteség (Adversarial Loss): biztosítja, hogy a generált képek hasonlítsanak a cél domén valódi képeire.

• Cycle Consistency Loss (körkörös összhang veszteség): bünteti az eltérést az eredeti kép és a dupla átalakítás után rekonstruált kép között (A→B→A és B→A→B).

• Identitás veszteség (Identity Loss): opcionális, segít megőrizni a színpalettát és a struktúrát, amikor a kép már a cél doménhez tartozik.

Így a Cycle-GAN lehetővé teszi a transzformációs modellek tanítását domének között anélkül, hogy párosított képpárokra lenne szükség.