CycleGAN风格的样式转换是一种无监督学习技术，用于在没有配对样本的情况下将一种图像风格转换为另一种。这种方法通过循环一致性损失实现高质量的跨域映射，在多种视觉任务中展现了强大的迁移能力。
CycleGAN风格的传递贡献者特雷弗·莫特（Trevor Mott）介绍在本项目中，我们将获取一个包含莫奈绘画图像以及陆地景观和城市图像的数据集。我创建了一个CycleGAN模型。商业案例：您是否可以训练一个模型，将风景转变成莫奈风格的绘画，以用于社交媒体过滤器？使用莫奈绘画的图片和照片使图片看起来像莫奈绘画。
探索性数据分析：
- 莫奈绘画与照片的数量存在不平衡问题，具体为约700幅莫奈风格的画作以及7000张照片。
CycleGAN建模过程：
1. 创建4个CNN模型：两个生成器和两个判别器。
2. 将所有图像调整至256x256像素以保持一致性，并将每个数据集创建为批量大小300。
3. 第一个生成器负责将照片转换成莫奈风格的绘画，第二个生成器则执行相反的操作，即把莫奈风格的画作还原为普通图片。第一个判别器用于判断图像是否是真实的莫奈画作，而第二个判别器则用来区分真实的照片和通过模型生成的照片。
4. 最终CycleGAN模型在训练过程中难以确定何时停止最佳，因此我决定经过250个周期后结束训练。
在整个建模与实验中，我们注意到数据集的不平衡性对结果可能产生影响，并且需要根据实际情况调整参数以优化模型性能。
5星
