Qual è l'idea di Cycle-GAN? Quali perdite vengono utilizzate in esso?

Cycle-GAN è un'architettura di reti generative antagoniste progettata per imparare a trasformare immagini da un dominio all'altro senza esempi accoppiati (traduzione immagine-immagine non supervisionata).

L'idea principale è garantire la coerenza ciclica: se si trasforma un'immagine dal dominio A al dominio B, e poi di nuovo in A, il risultato dovrebbe essere vicino all'immagine originale.

Vengono utilizzati i seguenti tipi di perdita:

• Perdita avversaria: fa sì che le immagini generate assomiglino a quelle reali del dominio target.

• Perdita di coerenza ciclica: penalizza la discrepanza tra l'immagine originale e quella ricostruita dopo la doppia trasformazione (A→B→A e B→A→B).

• Perdita di identità: opzionale, aiuta a mantenere la palette di colori e la struttura quando l'immagine appartiene già al dominio target.

In questo modo, Cycle-GAN permette di addestrare modelli di trasformazione tra domini senza la necessità di avere coppie di immagini corrispondenti.