ISTNISTN

https://ejournal.istn.ac.id/index.php/sainstechhttps://ejournal.istn.ac.id/index.php/sainstech

Abstrak--- Tahukah Anda bahwa memanipulasi gambar merupakan hal yang menarik dan disenangi orang, karena dapat menampilkan hal yang baru lain daripada yang lain. Umumnya manipulasi gambar kita menggunakan software aplikasi seperti photoshop dan banyak lagi software untuk hal tersebut. Penelitian ini mencoba memanipulasi gambar dengan teori yang ada dan diaplikasikan dengan membuat program dalam bahasa python. Adapun metoda yang digunakan untuk penelitian ini adalah metoda jaringan adversarial siklus-konsisten yaitu mempelajari pemetaan antara gambar input dan gambar output menggunakan set pelatihan pasangan gambar yang selaras. Kami menyajikan pendekatan untuk belajar menerjemahkan gambar dari domain sumber X ke domain target Y dengan tidak adanya contoh berpasangan. Tujuan kami adalah mempelajari pemetaan G: X → Y sedemikian rupa sehingga distribusi gambar dari G (X ) tidak dapat dibedakan. Hasil manipulasi gambar yang dihasilkan sangatlah sempurna menyerupai gambar asli tapi berbeda tampilan.

Meskipun metode kami dapat mencapai hasil yang menarik dibanyak kasus, hasilnya jauh dari positif seragam.Angka 17 menunjukkan beberapa kasus kegagalan yang khas.Kita punya juga mengeksplorasi tugas yang memerlukan perubahan geometris, dengan sedikit keberhasilan.Misalnya, pada tugas transfigurasi Anjing ke Kucing, terjemahan yang dipelajari berubah menjadi minimal.Kegagalan ini mungkin disebabkan oleh arsitektur generator kami yang dirancang khusus untuk performa bagus pada perubahan penampilan.

Penelitian lanjutan dapat fokus pada tiga aspek penting. Pertama, mengkaji arsitektur generator yang lebih mampu menangani perubahan geometris kompleks, seperti transformasi objek 3D atau deformasi jaringan tubuh, agar hasil manipulasi menjadi lebih akurat. Kedua, mengembangkan metode stabilisasi pelatihan untuk model berbasis data tidak berpasangan, misalnya dengan memperbaiki mekanisme konsistensi siklus atau memperkenalkan regularisasi baru yang mencegah masalah mode collapse. Ketiga, menggabungkan pendekatan dengan data berpasangan sebagian untuk tugas spesifik, seperti restorasi gambar atau perbaikan ketajaman, agar kualitas output meningkat tanpa ketergantungan penuh pada data berpasangan. Pendekatan ini perlu dievaluasi dengan dataset yang beragam untuk mengukur kemampuan generalisasi.

  1. #assembly line#assembly line
  2. #statistical quality control (sqc)#statistical quality control (sqc)
Read online
File size510.92 KB
Pages5
Short Linkhttps://juris.id/p-1UM
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test