AI資格ドリル
資格を選ぶ↓

用語比較

Pix2PixとCycleGANの違い｜ペアの画像が要るか、要らないか（G検定・画像変換）

Pix2Pixは、入力画像から出力画像への変換を、条件付き敵対的ネットワークで学ぶ手法です。CycleGANは、ペアの訓練データが無くても、2つの画像の集まりのあいだの変換を学ぶ手法です。

どちらも画像から画像への変換で、GANの仲間です。違いは訓練データにあります。ペアが作れるならPix2Pix、ペアが作れないならCycleGANと覚えると、G検定の選択肢を整理できます。

このページは、Isolaらの論文(arXiv:1611.07004)とZhuらの論文(arXiv:1703.10593)の要旨をもとに、訓練データ・学習のしくみ・向く課題で比べます。数の例は、説明用の架空のデータです。

この記事の根拠と出典

各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。

結論

Pix2Pix

条件付き敵対的ネットワークで、入力画像から出力画像への写像と、その写像を学ぶ損失関数を学習する。

CycleGAN

ペアの例なしに、領域Xから領域Yへの変換を学ぶ。逆の変換と組み合わせ、循環一貫性損失を使う。

見分け方

入力と出力が対応するペアがあるかを見る。無ければCycleGAN。

違いを表で確認

比較軸Pix2PixCycleGAN
訓練データPix2Pix：入力画像を、対応する出力画像へ変換する問題として扱うCycleGAN：ペアの例が無くてもよい。2つの領域の画像の集まりで学ぶ
学習のしくみPix2Pix：条件付き敵対的ネットワーク。写像と一緒に損失関数も学習するCycleGAN：敵対的損失に加え、逆写像F:Y→Xと循環一貫性損失F(G(X))≈Xを使う
論文が挙げる課題Pix2Pix：ラベルマップから写真の合成、エッジマップから物体の再構成、色付けCycleGAN：作品群のスタイル変換、物体の変身、季節の変換、写真の補正
G検定での手がかりの語Pix2Pix：条件付き、ペア、ラベルマップ、エッジマップCycleGAN：ペアなし(unpaired)、循環一貫性、季節の変換

G検定の学習に使う書籍（Amazon）

試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。

PR
深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版 の表紙深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版試験を実施する日本ディープラーニング協会が監修した公式テキストです。Amazonで見る

ほかの資格を含む参考書・問題集の一覧を見る

どこで迷っているかを切り分ける

01

どちらも「画像変換のGAN」としか覚えていない人

どちらも画像から画像への変換ですが、CycleGANの要旨は、整列した画像ペアで学ぶ従来の設定では、多くの課題でペアのデータが得られないと問題を立てています。違いはペアの有無です。

02

循環一貫性損失の意味を聞かれる人

CycleGANの要旨は、写像G:X→Yだけでは制約が足りないので、逆写像F:Y→Xと組み合わせ、F(G(X))がXに近づくようにすると述べています。変換して戻した画像が元に近いことを求める損失です。

03

Pix2Pixが学習するものを聞かれる人

Pix2Pixの要旨は、入力画像から出力画像への写像だけでなく、その写像を学習するための損失関数も学習すると述べています。手作業で損失関数を設計しなくてよい点が要旨の主張です。

04

どちらの手法の例か聞かれる人

ラベルマップから写真やエッジマップから物体はPix2Pix、季節の変換や物体の変身はCycleGANの論文が挙げる課題です。

具体例で使い分ける

例 1

ペアが作れるかで手法を選ぶ(架空のデータ)

「夏の風景写真1,000枚」と「冬の風景写真1,000枚」があるが、同じ場所を同じ構図で撮った夏と冬の組は1組もない。

  • Pix2Pixのような入力と出力が対応する例を使う設定には、同じ場所の夏と冬の組が要ります。この例では、組が0組なので、そのままでは使いにくいです。
  • CycleGANの要旨は、季節の変換を、ペアの訓練データが存在しない課題の1つとして挙げています。夏の集まりと冬の集まりがあれば学べます。
  • 夏から冬への写像Gと、冬から夏への写像Fを用意し、夏の写真をGで冬にしてFで戻した結果が、元の夏の写真に近くなるように学びます。

結論: ペアが無く、2つの集まりだけがあるなら、CycleGANの設定です。1,000枚と1,000枚という数は、説明用の架空の数字です。

例 2

ペアがある課題で手法を選ぶ(架空のデータ)

「建物の領域を色分けしたラベルマップ」と、それに対応する「建物の写真」が500組そろっている。ラベルマップから写真を作りたい。

  • ラベルマップと写真は、1つずつ対応しています。入力と出力のペアが500組あります。
  • Pix2Pixの要旨は、ラベルマップからの写真の合成を、有効だと示した課題の1つとして挙げています。
  • ペアがあるので、CycleGANの前提のペアなし設定にする理由はありません。

結論: 対応するペアがそろっているなら、Pix2Pixの設定です。500組という数は、説明用の架空の数字です。

問題文から答えを選ぶ手順

  1. 1

    ペアがあるかを見る

    入力画像と、それに対応する出力画像の組があるかを確認します。

  2. 2

    無ければCycleGAN

    2つの画像の集まりだけなら、ペアなしで学べるCycleGANの設定です。

  3. 3

    損失の語を確認する

    循環一貫性損失と逆写像が出てきたら、CycleGANの説明です。

試験での見分け方

  • 1ペアの例なしで学ぶのが、CycleGAN。
  • 2循環一貫性損失F(G(X))≈Xが、CycleGANの特徴。
  • 3条件付き敵対的ネットワークで写像と損失関数を学ぶのが、Pix2Pix。
  • 4ラベルマップから写真、エッジから物体は、Pix2Pixの論文の課題。

誤答しやすい選択肢

CycleGANはPix2Pixより新しいので、いつも上位互換だと考える

修正: CycleGANの要旨が述べるのは、ペアが得られない課題への対応です。どちらが優れるかは述べていません。ペアがあるかどうかで設定が変わります。

循環一貫性損失を、画像を循環して並べる処理だと考える

修正: 要旨の説明は、逆写像Fを組み合わせ、F(G(X))がXに近づくようにする損失です。変換して戻した結果が元に近いことを求めます。

Pix2Pixは、敵対的な学習を使わないと考える

修正: Pix2Pixの論文は、条件付き敵対的ネットワークを使うと述べています。CycleGANも敵対的損失を使うので、違いは敵対的かどうかではなく、ペアの有無です。

確認問題

Q1ペアの訓練データが無くても、2つの領域のあいだの画像変換を学べる手法は？

答え: CycleGAN

ペアの例なしにXからYへの変換を学びます。

Q2CycleGANで、F(G(X))がXに近づくようにする損失は？

答え: 循環一貫性損失

逆写像Fと組み合わせて、制約を足す損失です。

Q3ラベルマップから写真を合成する課題を、有効だと示した論文の手法は？

答え: Pix2Pix

条件付き敵対的ネットワークで、エッジマップから物体の再構成や色付けも示しました。

到達チェック

  • Pix2PixとCycleGANの訓練データの違い(ペアの有無)を言える
  • 循環一貫性損失F(G(X))≈Xの意味を言える
  • 各論文が挙げる課題を、手法と結びつけられる

関連ページで確認する

同じ資格で次に知りたいこと

よくある質問

QPix2Pixの要旨に、ペアという語はある？

A

Pix2Pixの要旨自体には、ペアという語はありません。論文の本文は、入力画像を対応する出力画像へ変換する問題を扱うと述べ、ペアの訓練セットで学ぶ設定は、CycleGANの要旨が従来の設定として説明しています。

QCycleGANは、何を変換できる？

A

要旨は、作品群のスタイル変換、物体の変身、季節の変換、写真の補正などの結果を示すと述べています。

Qどちらも敵対的な学習を使うの？

A

どちらも使います。Pix2Pixは条件付き敵対的ネットワーク、CycleGANは敵対的損失に循環一貫性損失を加えた方法です。

次に見る比較

シェア:XでシェアLINEでシェア

執筆: ミナト編集部（運営者情報を見る）