Cycle-Consistent Adversarial Networks을 사용한 비대칭 이미지-이미지 변환

이미지-이미지 변환은 입력 이미지와 출력 이미지 간의 매핑을 학습하는 시각 및 그래픽 문제의 한 유형입니다. 이는 정렬된 이미지 쌍으로 구성된 훈련 세트를 사용하여 수행됩니다. 그러나 많은 작업에서 짝을 이루는 훈련 데이터가 제공되지 않을 수 있습니다. 본 연구에서는 짝을 이루는 예제가 없는 상황에서 소스 도메인 $X$에서 대상 도메인 $Y$로 이미지를 변환하는 방법을 제시합니다. 우리의 목표는 적대적 손실을 사용하여 $G(X)$에서 생성된 이미지 분포가 $Y$의 분포와 구별할 수 없도록 하는 매핑 $G: X \rightarrow Y$를 학습하는 것입니다. 이 매핑은 매우 제약이 적기 때문에, 역매핑 $F: Y \rightarrow X$를 결합하고, 사이클 일관성 손실을 도입하여 $F(G(X)) \approx X$ (그 반대도 마찬가지)를 만족하도록 합니다. 짝을 이루는 훈련 데이터가 없는 여러 작업에 대한 정성적인 결과를 제시하며, 이에는 컬렉션 스타일 전환, 객체 변형, 계절 전환, 사진 향상 등이 포함됩니다. 또한 몇 가지 기존 방법과의 정량적 비교를 통해 우리 접근법의 우수성을 입증합니다.