pytorch AdaIN

pytorch-adin

Esta es una implementación no oficial de Pytorch de un documento, transferencia de estilo arbitraria en tiempo real con normalización de instancias adaptativas [Huang+, ICCV2017]. Estoy realmente agradecido con la implementación original en la antorcha de los autores, lo cual es muy útil.

Requisitos

Instale los requisitos de pip install -r requirements.txt

• Python 3.5+
• Pytorch 0.4+
• Vía antorcha
• Almohada

(opcional, para capacitación)

• TQDM
• Tensorboardx

Uso

Descargar modelos

Descargue decoder.pth / vgg_normalized.pth desde la versión y colóquelos en models/ .

Prueba

Use --content y --style para proporcionar la ruta respectiva a la imagen de contenido y estilo.

 CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content input/content/cornell.jpg --style input/style/woman_with_hat_matisse.jpg

También puede ejecutar el código en directorios de imágenes de contenido y estilo usando --content_dir y --style_dir . Guardará todas las combinaciones posibles de contenido y estilos en el directorio de salida.

 CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content_dir input/content --style_dir input/style

Este es un ejemplo de mezcla de cuatro estilos especificando la opción --style y --style_interpolation_weights .

 CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content input/content/avril.jpg --style input/style/picasso_self_portrait.jpg,input/style/impronte_d_artista.jpg,input/style/trial.jpg,input/style/antimonocromatismo.jpg --style_interpolation_weights 1,1,1,1 --content_size 512 --style_size 512 --crop

Algunas otras opciones:

• --content_size : nuevo tamaño (mínimo) para la imagen de contenido. Manteniendo el tamaño original si se establece en 0.
• --style_size : tamaño nuevo (mínimo) para la imagen de contenido. Manteniendo el tamaño original si se establece en 0.
• --alpha : ajuste el grado de estilización. Debe ser un valor entre 0.0 y 1.0 (predeterminado).
• --preserve_color : preserve el color de la imagen de contenido.

Tren

Use --content_dir y --style_dir para proporcionar el directorio respectivo a las imágenes de contenido y estilo.

 CUDA_VISIBLE_DEVICES=<gpu_id> python train.py --content_dir <content_dir> --style_dir <style_dir>

Para obtener más detalles y parámetros, consulte la opción --help.

Comparto el modelo entrenado por este código como iter_1000000.pth en el lanzamiento.

Referencias

• [1]: X. Huang y S. pertenencia. "Transferencia de estilo arbitraria en tiempo real con normalización de instancias adaptativas", en ICCV, 2017.
• [2]: Implementación original en la antorcha