具有更优循环一致性的CycleGAN
CycleGAN with Better Cycles
University of California, Berkeley（加州大学伯克利分校）
AI总结：
本文针对CycleGAN像素级循环一致性可能导致图像失真的问题，提出三种简单修改，在减少伪影的同时实现了更优的图像转换效果。
摘要：
CycleGAN提供了一个框架，利用循环一致性损失[4]在非配对数据集上训练图像到图像的转换。尽管在许多应用中结果很好，但像素级的循环一致性可能存在问题，并在某些情况下导致不真实的图像。在本项目中，我们提出了对循环一致性的三种简单修改，并表明这种方法能够以更少的伪影获得更好的结果。
英文摘要：
CycleGAN provides a framework to train image-to-image translation with unpaired datasets using cycle consistency loss [4]. While results are great in many applications, the pixel level cycle consistency can potentially be problematic and causes unrealistic images in certain cases. In this project, we propose three simple modifications to cycle consistency, and show that such an approach achieves better results with fewer artifacts.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
