G検定 用語解説
CycleGANとは
対になっていない2つの画像ドメイン間の変換を、ペアデータなしに学習できるGANの一種。変換後にもう一方の変換で元画像へ戻したときに一致する（サイクル一貫性）ことを利用して学習する。
まず押さえる結論
CycleGANは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）具体例から判断の境界を固める
CycleGANを、役割と隣接概念の境界から捉える
対になっていない2つの画像ドメイン間の変換を、ペアデータなしに学習できるGANの一種。変換後にもう一方の変換で元画像へ戻したときに一致する（サイクル一貫性）ことを利用して学習する。 試験では名称だけでなく、処理の対象、目的、使う段階を別概念と入れ替えた選択肢が出るため、定義の主語と動作を分けて確認します。
- 問題文で見る箇所
- 変換前後で対応するペア画像を用意できない2つの画像ドメイン間を、サイクル一貫性（変換して戻すと元画像に一致すること）を利用して相互変換しているかを確認します。
- 隣接概念との境界
- CycleGANは対応するペア画像がなくても2つの画像群を相互変換できる手法で、Pix2Pixは線画と着色画像のように対応するペア画像を教師データとして一方向の変換を学習する手法です。
誤答しやすい選択肢
- 対応するペア画像を教師データに使うPix2Pixの手順を、ペアなしで学習するCycleGANの説明に使う。定義の主語と処理対象を確認します。
- CycleGANの目的だけを見て、同じ目的を持つ別手法まで同じ用語とする。具体的な処理を比較します。
- CycleGANを使えば目的が必ず達成されると断定する。適用条件や評価を別に確認します。
4段階の判断手順
- 01問題文が状態、手法、評価指標、制度のどれを説明しているか決める。
- 02定義の中心となる対象と動作がCycleGANに一致するか確認する。
- 03隣接概念と共通する目的ではなく、処理や条件の違いを見る。
- 04必ず・完全に・だけでよいという過度な断定がないか見直す。
到達条件: CycleGANを一文で説明し、最も混同しやすい隣接概念との違いを処理または条件から言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
学習データとして変換前の画像と変換後の画像が一対一に対応づけられた組を用意できない場合でも、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるように学習する、敵対的生成ネットワークを応用した画像変換の手法はどれか。
正解はCycleGAN。変換前後が一対一に対応づけられた画像の組（ペア）を用意できなくても、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるよう学習する手法である。Pix2Pixは対応するペア画像を前提とした画像変換、条件付きGAN（Conditional GAN）はラベルなどの条件を与えて生成物を制御する手法、StyleGANはスタイルを階層的に制御して高精細な画像を生成する手法であり、いずれも対応ペアが不要な相互変換を主目的とするものではない。 画像変換GANは教師データの対応関係で区別する。入力と出力のペアを必要とするPix2Pixではなく、変換の循環整合性を利用して対応なしの画像群から学習するCycleGANを選ぶ。条件による生成制御や高精細画像生成も設問の中心ではない。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
変換元と変換先が一対一に対応づいた画像のペアを教師データとして用意し、入力画像を対応する別の見た目の画像（たとえば線画から写真）へ変換できるように学習する、敵対的生成ネットワークを応用した画像変換の手法はどれか。
正解はPix2Pix。変換元と変換先が一対一に対応づいた画像のペアを教師データとして用い、入力画像を対応する別の見た目の画像へ変換する手法である。CycleGANは対応ペアが不要な変換、DCGANは生成器・識別器に畳み込みを用いて画像生成を安定化させたモデル、StyleGANはスタイルを階層的に制御するモデルであり、いずれも対応ペアを前提とした画像変換そのものを指すものではない。 画像変換の方式は対応ペアの有無を最初に見る。線画と写真のように入力と正解出力が一対一に対応する教師データを使うのはPix2Pixであり、対応なしで相互変換するCycleGANとは反対の条件である。DCGANとStyleGANは画像生成モデルの構造・制御に関する名称である。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
初期の敵対的生成ネットワークの生成器と識別器に畳み込みネットワークの構造を全面的に取り入れ、画像生成の品質と学習の安定性を高めた代表的なモデルはどれか。
正解はDCGAN。初期のGANの生成器・識別器に畳み込みネットワークの構造を全面的に取り入れ、画像生成の品質と学習の安定性を高めた代表的なモデルである。条件付きGAN（Conditional GAN）は条件を与えて生成を制御する手法、CycleGANは対応ペアが不要な画像変換、StyleGANはスタイルを階層的に制御する手法であり、いずれも畳み込みの導入による学習安定化を主眼とした初期モデルではない。 GAN派生モデルは改良の中心で対応させる。対応なし画像変換はCycleGAN、階層的なスタイル制御はStyleGAN、条件入力はConditional GANである。生成器・識別器へ畳み込みネットワークを全面的に導入した点に対応するのはDCGANである。
同じ章で確認したい用語
到達チェック
- CycleGANを一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、CycleGANに関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）