animeGAN

Animegan

Eine einfache Pytorch -Implementierung generativer kontroverser Netzwerke, die sich auf die Anime -Gesichtszeichnung konzentriert.

Zufällig erzeugte Bilder

Die Bilder werden aus einem DCGAN -Modell erzeugt, das für 100 Epochen auf 143.000 Anime -Charakteren ausgebildet ist.

Bildinterpolation

Manipulieren latente Codes und ermöglicht den Übergang von Bildern in der ersten Zeile zur letzten Zeile.

Originalbilder

Die Bilder sind nicht sauber, einige Ausreißer können beobachtet werden, was die Qualität der erzeugten Bilder beeinträchtigt.

Verwendung

Das Experiment durchführen,

$ python main.py --dataRoot path_to_dataset/ 

Das vorgezogene Modell für DCGAN ist ebenfalls in diesem Repo und spielen Sie es im Jupyter -Notizbuch.

Anime-Faces-Datensatz

Anime-Stil-Bilder von 126 Tags werden von Danbooru.donmai.us mit der Crawler Tool Gallery-DL gesammelt. Die Bilder werden dann von einem Anime Face-Detektor Python-Animimace verarbeitet. Der resultierende Datensatz enthält ~ 143.000 Anime -Gesichter. Beachten Sie, dass einige der Tags nach dem Zuschneiden möglicherweise nicht mehr sinnvoll sind, dh die verkürzten Gesichtsbilder unter dem „Uniform“ -T -Tag enthalten möglicherweise keine sichtbaren Teile von Uniformen.

Wie konstruiere ich den Datensatz von Grund auf neu?

Voraussetzungen: Galerie-DL, Python-Animateface

1. Laden Sie die Bilder im Stil von Anime herunter

    # download 1000 images under the tag "misaka_mikoto"
   gallery-dl --images 1000 " https://danbooru.donmai.us/posts?tags=misaka_mikoto "
   
   # in a multi-processing manner
   cat tags.txt | 
   xargs -n 1 -P 12 -I ' tag '  
   bash -c ' gallery-dl --images 1000 "https://danbooru.donmai.us/posts?tags=$tag" '

2. Extrakt Faces aus den heruntergeladenen Bildern

    import animeface
   from PIL import Image
   
   im = Image . open ( 'images/anime_image_misaka_mikoto.png' )
   faces = animeface . detect ( im )
   x , y , w , h = faces [ 0 ]. face . pos
   im = im . crop (( x , y , x + w , y + h ))
   im . show () # display

Ich habe den ursprünglichen Datensatz gereinigt, die neue Version des Datensatzes enthält 115085 Bilder in 126 Tags. Sie können auf die Bilder zugreifen aus:

• Github: https://github.com/jayleicn/animegan/releases/tag/data
• Baiduyun: https://pan.baidu.com/s/1o8nxllo

Nichtkommerzielle Verwendung bitte.

Dinge, die ich gelernt habe

1. Gans sind wirklich schwer zu trainieren.
2. DCGAN funktioniert im Allgemeinen gut. Fügen Sie einfach vollständig vernetzte Schichten hinzu, verursacht Probleme.
3. In meinen Fällen liefert mehr Schichten für G bessere Bilder, in dem Sinne, dass G stärker sein sollte als D.
4. Fügen Sie den Eingängen und Etiketten von D Rauschen hinzu, hilft zu stabilen Training.
5. Verwenden Sie die Differnet -Eingabe und generieren Sie eine Auflösung (64x64 gegenüber 96x96). Es scheint kein offensichtlicher Unterschied während des Trainings zu sein, die generierten Bilder sind ebenfalls sehr ähnlich.
6. Binray-Rauschen als Eingabe von G funktioniert erstaunlich, aber die Bilder sind nicht so gut wie diejenigen mit gussischem Rauschen, Idea-Kredit an @cwhy ['Binary Rauschen' hier meine ich eine Sequenz von {-1,1}, die durch Bernoulli-Verteilung bei p = 0,5 erzeugt wird.

Ich habe sie nicht sorgfältig überprüft, wenn Sie nach allgemeinen Gan -Tipps suchen, siehe @Soumiths Ganhacks

Andere

1. Dieses Projekt wird stark von Chainer-Dcgan und Illustrationgan beeinflusst. Die Codes werden hauptsächlich aus dem Beispiel von Pytorch DCGAN entlehnt, dank den Autoren für die sauberen Codes.
2. Abhängigkeiten: Pytorch, Torchvision
3. Dies ist ein Spielzeugprojekt für mich, um Pytorch und Gans vor allem zum Spaß zu lernen! :) Jedes Feedback ist willkommen.

@jayleicn