Wat is het idee van Cycle-GAN? Welke verliezen worden erin gebruikt?

Cycle-GAN is een architectuur van generatieve adversariale netwerken, ontworpen om te leren hoe beelden van het ene domein naar het andere kunnen worden omgezet zonder gekoppelde voorbeelden (onbegeleide afbeelding-naar-afbeelding vertaling).

Het belangrijkste idee is om cyclische consistentie te waarborgen: als je een afbeelding van domein A naar domein B omzet en vervolgens terug naar A, moet het resultaat dicht bij de oorspronkelijke afbeelding liggen.

De volgende soorten verlies worden gebruikt:

• Adversarial Loss (tegenstrijdig verlies): zorgt ervoor dat de gegenereerde beelden lijken op echte beelden uit het doel-domein.

• Cycle Consistency Loss (cyclus consistentieverlies): straft de discrepantie tussen de originele afbeelding en de herbouwde afbeelding na dubbele transformatie (A→B→A en B→A→B).

• Identity Loss (identiteitsverlies): optioneel, helpt de kleurenpalet en structuur te behouden wanneer de afbeelding al tot het doel-domein behoort.

Op deze manier stelt Cycle-GAN het mogelijk om transformatie-modellen tussen domeinen te trainen zonder dat er paren van overeenkomende beelden nodig zijn.