13
правок
Изменения
пишу про CycleGAN(в разработке)
[[File:Face_pix2pixhd.gif|600px|center|thumb|Рис. 12. Пример работы Pix2PixHD {{---}} label-to-face. <ref name="Pix2PixHD">[https://github.com/NVIDIA/pix2pixHD Pix2PixHD {{---}} GitHub]</ref>]]
== CycleGAN ==
Нейронная сеть, в отличии от Pix2Pix позволяет реализовать решение задачи обучения на независимых множествах
[[File:Model.jpg|400px|right|thumb| Архитектура CycleGAN]]
=== Архитектура ===
CycleGAN реализует архитектуру согласованных с циклом состязательных сетей (англ. Cycle-Consistent Adversarial Networks), суть, которой состоит в решении проблемы отсутствия парного набора данных.
Сеть предоставляет подход перевода изображение из исходного домена <math>X</math> в целевой домен <math>Y</math> при отсутствии парных примеров. Цель задачи в изучении отображения <math>G: X → Y </math>, так, чтобы распределение изображений <math>G(X)</math> было неотличимо от распределения <math>G(Y)</math> с учетом состязательной потери(aнгл. Сonsistency loss).
Так же что бы избежать [https://arxiv.org/abs/1705.07761 режима коллапса](англ. Mode collapse), мы проверяем отображение <math>G : Y → X </math>, который пытается сопоставить <math>Y</math> и <math>X</math>.
Другими словами для выполнения успешного преобразования должно выполниться следующее условие <math>G_{Y to X}(G_{X to Y}(X)) \sim x + Сonsistency~loss. </math>
Структура дискриминатора и генератора аналогичны тем, которые используются в Pix2Pix.
==== Функция потерь ====
Функция потерь должен быть выполнен таким образом что бы
Дискриминатор одобрял все оригинальные изображения соответствующих категорий и отклонял все изображения, которые генерируются соответствующими Генераторами, чтобы обмануть их.
Генераторы должны заставить дискриминаторы утверждать все сгенерированные изображения, чтобы обмануть их.
=== Примеры ===
Обычно применяются для следующих задач:
* изменения стиля фотографии;
[[File:Doge starrynight.jpg|7010px|center|thumb| Пример работы CycleGAN]]
== См. также ==
