CycleGAN | 您所在的位置:网站首页 › pix2pixgan和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 |
CopyRight 2018-2019 实验室设备网 版权所有 |