Использование конкурентных порождающих сетей для преобразований изображений

Прогресс в области глубинного обучения позволяет решать множество важных прикладных задач. Но необходимым условием для обучения глубокой нейронной сети является большая размеченная обучающая выборка, которая существует далеко не для всех задач, а сбор и разметка новых данных являются долгим и дорогостоящим процессом. Поэтому все чаще исследователи начинают использовать синтетические данные, генерация которых значительно быстрее, а разметка доступна автоматически. Но разница в распределениях между реальными и синтетическими данными приводит к тому, что модель, обученная на синтетических данных, имеет более низкое качество на реальных данных. В данной работе будет исследована возможность применения конкурентных порождающих сетей к задаче повышения реалистичности синтетических изображений без парной обучающей выборки. В ней будут рассмотрены две модели: циклическая конкурентная порождающая модель и метод обучения на синтетических и неразмеченных данных и произведено их сравнение.