Cartographie de domaine non supervisée : GAN compatible avec la géométrie

Cette séance de cours traite de la cartographie de domaine non supervisée à l'aide d'un réseau d'adversaires générateurs de géométrie (GCGAN). L'instructeur explique le concept de cohérence du cycle et de préservation de la distance dans la cartographie de domaine, en soulignant les limites et en proposant une nouvelle approche basée sur les contraintes de la géométrie-cohérence. Le modèle GCGAN est présenté, qui prend des images originales et leurs contreparties géométriquement transformées pour permettre une cartographie de domaine unidirectionnelle non supervisée. La séance de cours compare GCGAN à des méthodes de base comme GAN seul, CycleGAN et DistanceGAN, montrant son efficacité au moyen d'évaluations quantitatives et qualitatives sur diverses tâches de traduction d'images. Les applications potentielles de GCGAN dans la production d'images réalistes sont démontrées à travers des exemples comme Cheval → Zebra, Monet → Photo, et Jour → Transformations nocturnes.