Cycle-GAN'in fikri nedir? İçinde hangi kayıplar kullanılır?

Cycle-GAN, bir alanın görüntülerini başka bir alana dönüştürmek için tasarlanmış, eşleştirilmiş örnekler olmadan (denetimsiz görüntüden-görüntüye çeviri) öğrenmeye yönelik generatif adversarial ağ mimarisidir.

Ana fikir, döngüsel tutarlılığı sağlamaktır: A alanındaki bir görüntüyü B alanına dönüştürüp sonra tekrar A'ya dönüştürdüğümüzde, sonuç orijinal görüntüye yakın olmalıdır.

Aşağıdaki kayıp türleri kullanılır:

• Adversarial Loss (Rekabet kaybı): üretilen görüntülerin hedef alanın gerçek görüntülerine benzer olmasını sağlar.

• Cycle Consistency Loss (Döngü tutarlılık kaybı): orijinal görüntü ile çift dönüşümden sonra yeniden oluşturulan görüntü arasındaki uyumsuzluğu cezalandırır (A→B→A ve B→A→B).

• Identity Loss (Kimlik kaybı): isteğe bağlıdır, görüntü zaten hedef alanına aitse renk paletini ve yapıyı korumaya yardımcı olur.

Bu şekilde, Cycle-GAN, karşılık gelen görüntü çiftlerine ihtiyaç duymadan alanlar arasında dönüşüm modelleri eğitmesine olanak tanır.