Koja je ideja Cycle-GAN? Koje gubitke se koriste u njemu?

Cycle-GAN je arhitektura generativnih protivničkih mreža dizajnirana za učenje transformacije slika iz jednog domena u drugi bez uparjenih primera (nadzorovani prevođenje slike u sliku).

Glavna ideja je obezbediti cikličnu konzistentnost: ako transformišete sliku iz domena A u domen B, a zatim nazad u A, rezultat bi trebalo da bude blizu originalne slike.

Koriste se sledeće vrste gubitaka:

• Adversarial Loss (protivnički gubitak): osigurava da generisane slike liče na prave slike iz ciljnog domena.

• Cycle Consistency Loss (gubitak ciklične konzistentnosti): kažnjava razliku između originalne slike i slike rekonstruisane nakon duplog prenosa (A→B→A i B→A→B).

• Identity Loss (identitetski gubitak): opcionalno, pomaže da se sačuva paleta boja i struktura kada slika već pripada ciljanom domenu.

Na ovaj način, Cycle-GAN omogućava obuku modela za transformaciju između domena bez potrebe za parovima odgovarajućih slika.