問題 No.56
GANを用いたドメイン変換において、「白黒写真をカラー写真にする」「昼の風景を夜にする」などの変換を行う際、変換前と変換後の構造（輪郭や位置）がバラバラになってしまうと、意図しない不自然な画像が生成されてしまう。学習データとして「完全に同じアングルで撮影された変換前と変換後」の「対（ペア）となる画像」を大量に用意し、入力画像を条件（条件付けラベル）として与えることで、物体の形を崩さずに高精度に画像を変換させる手法はどれか。
【正解の解説】
Pix2Pix
Pix2Pixは、変換前と変換後の対（ペア）となる画像を学習データとして使うことで、物体の形を保ったまま画像を高精度に変換する手法です。
スポンサーリンク
【その他の選択肢の解説】
Cycle GAN
Cycle GANは、対（ペア）になる画像データがなくても、変換前後で「特徴的な雰囲気」を入れ替えることができる手法であり、対の画像は必要としません。
DCGAN
DCGANは、Deep Convolutional GANの略で、画像生成を安定させるための基本的なGANの一種ですが、特定のタスク（ドメイン変換）に特化したものではありません。
StyleGAN
StyleGANは、画像のスタイル（髪型や肌の質感など）を非常に高精細に制御して生成できるモデルですが、対画像を用いたドメイン変換を主目的とする手法ではありません。