| CycleGAN | 您所在的位置：网站首页 › pix2pixgan和cyclegan › CycleGAN |
CycleGAN
|
❤️【专栏：数据集整理】❤️ 之【有效拒绝假数据】 👋 Follow me 👋，一起 Get 更多有趣 AI、冲冲冲 🚀 🚀 文章目录 CycleGAN and pix2pix in PyTorch测试论文工作总结风格迁移项目数据集下载链接：2021-1-22 日，补充云盘分享数据获取方式 CycleGAN and pix2pix in PyTorch CycleGAN-and-pix2pix GitHubLinux系统下conda的安装与使用pip 源配置Linux下cuda9.1安装Pytorch和Torchvision conda create -n pix2pix python=3.6.5 pip install torch==1.1.0 pip install pillow pip install torchvision==0.3.0 pip install dominate pip install visdom 官方GitHub这个项目，官方提供了非常详细的运行、测试教程，以及预训练模型，本博文就不画蛇添足了；鼓励大家遇到项目，首先认真看一下，官方的 readMe ;一些官方的readme不够充分的情况下，我的博文往往会起到简介、梳理、可正确运行的助力，感谢大家的支持；
按照 gitHub上的教程，下载对应数据集和预训练模型之后，运行 ： python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout发现：cycleGan-pix2pix/results 目录下生成对应的结果文件夹，查看效果即可 论文工作总结《Image-to-Image Translation with Conditional Adversarial Networks》 《 使用条件对抗网络进行图像到图像的转换 》 pix2pix 简介：这篇论文发表在CVPR2017，简称pix2pix，是将GAN应用于有监督的图像到图像翻译的经典论文，有监督表示训练数据是成对的。图像到图像翻译（image-to-image translation）是GAN很重要的一个应用方向，什么叫图像到图像翻译呢？其实就是基于一张输入图像得到想要的输出图像的过程，可以看做是图像和图像之间的一种映射（mapping），我们常见的图像修复、超分辨率其实都是图像到图像翻译的例子。 pix2pix基于GAN实现图像翻译，更准确地讲是基于cGAN（conditional GAN，也叫条件GAN），因为cGAN可以通过添加条件信息来指导图像生成，因此在图像翻译中就可以将输入图像作为条件，学习从输入图像到输出图像之间的映射，从而得到指定的输出图像。而其他基于GAN来做图像翻译的，因为GAN算法的生成器是基于一个随机噪声生成图像，难以控制输出，因此基本上都是通过其他约束条件来指导图像生成，而不是利用cGAN，这是pix2pix和其他基于GAN做图像翻译的差异。 pix2pix 论文主要成果： 我们的主要贡献是证明在各种问题上，有条件的GAN都能产生合理（较好）的结果。我们的第二个贡献是提出一个足以取得良好结果的简单框架，并分析几种重要架构选择的影响。 风格迁移项目数据集下载链接： berkeley主页下载https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/ 2021-1-22 日，补充云盘分享数据获取方式
搜索关注本博客同名公号，公号后台，回复【20210105】获取本博文中上图所示 CycleGAN 风格迁移常用数据集 云盘下载链接： 20210105{ 墨理 }所有数据集分享获取方式汇总于该码云项目 https://gitee.com/bravePatch/datasets/blob/master/README.md
|
【本文地址】