最終更新日:2026年9月23日
gk cnn neural_network gan
まず結論
CycleGANは、入力と出力が1対1で対応した画像ペアを用意しなくても、2つの画像ドメイン間の変換を学習できるモデルです。
最大のキーワードは、Cycle Consistency(循環一貫性)です。
直感的な説明
写真の集合Aと絵画の集合Bはあるけれど、
この写真に対応する正解の絵画
というペアはない状況を考えます。
CycleGANは、
- A → B
- B → A
の両方向を学び、変換して戻したときに元の画像へ近づくよう制約します。
定義・仕組み
CycleGANでは主に、
- A→BのGenerator
- B→AのGenerator
- 各ドメインのDiscriminator
- Cycle Consistency Loss
を使います。
たとえば A→B→A と戻したとき、元のAへ近づくように学習します。
いつ使う?(得意・不得意)
代表例は、
- 馬 ↔ シマウマ
- 夏 ↔ 冬
- 写真 ↔ 絵画風
などのunpaired image-to-image translationです。
「教師なし」とだけ覚えるより、対応ペアが不要と覚える方が誤解が少なくなります。
G検定ひっかけポイント
Pix2Pix
→ 対応する入力・正解画像のペアあり
CycleGAN
→ ペアなし+Cycle Consistency
Cycle Consistency
❌ 同じ画像を2回生成する
⭕ A→B→Aのように戻したとき元へ近づける
まとめ(試験直前用)
- CycleGAN=ペアなし画像変換
- A→BとB→A
- Cycle Consistency Loss
- Pix2Pix=ペアあり
- 「教師なし」よりunpairedで覚える