Closed SEOJIN-Lab closed 2 years ago
Image-to-image translation : 짝지어진 형태의 이미지 train 세트를 이용해 input 이미지와 output 이미지를 매핑하는 것이 목표인, 컴퓨터 비전과 그래픽의 한 분야
항상 짝지어진 데이터 셋을 얻을 수는 없음 → 짝지어진 예시 없이 X라는 도메인으로부터 얻은 이미지를 타깃 도메인 Y로 바꾸는 방법 제안
Adversarial loss를 이용 ~ G:X →Y 를 학습 ~ F:Y→X 와 같은 역방향 매핑 ~ F(G(x)) 가 X와 유사해지도록 ~ cycle consistency loss 도입
역방향 매핑
cycle consistency loss
→ adversarial loss와 cycle loss를 모두 사용할 때가 성능이 가장 좋음
↓ CycleGAN 성능 확인 figure
Limitations and Discussion
CycleGAN 논문이군요! 다음에 CycleGAN으로 프로젝트 해보고 싶어지네요!! 좋은 내용 감사합니다:)
잘 읽었습니다 :)
두가지 loss를 모두 사용한 모델이군요! !잘읽었습니다!
잘 읽었습니다!
Image-to-image translation : 짝지어진 형태의 이미지 train 세트를 이용해 input 이미지와 output 이미지를 매핑하는 것이 목표인, 컴퓨터 비전과 그래픽의 한 분야
항상 짝지어진 데이터 셋을 얻을 수는 없음 → 짝지어진 예시 없이 X라는 도메인으로부터 얻은 이미지를 타깃 도메인 Y로 바꾸는 방법 제안
Adversarial loss를 이용 ~ G:X →Y 를 학습 ~ F:Y→X 와 같은
역방향 매핑
~ F(G(x)) 가 X와 유사해지도록 ~cycle consistency loss
도입→ adversarial loss와 cycle loss를 모두 사용할 때가 성능이 가장 좋음
↓ CycleGAN 성능 확인 figure
Limitations and Discussion