DiscoGAN pytorch

DiscoGAN pytorch

ular piton

1.0.0

Unduh

Discogan di Pytorch

Implementasi pembelajaran Pytorch untuk menemukan hubungan lintas domain dengan jaringan permusuhan generatif.

* Semua sampel di ReadMe.md sangat baik oleh jaringan saraf kecuali gambar pertama untuk setiap baris.
* Struktur jaringan sedikit berbeda (di sini) dari kode penulis.

Persyaratan

Python 2.7
Bantal
TQDM
Pytorch
Obor-Visi

Penggunaan

Dataset unduhan pertama (dari pix2pix) dengan:

 $ bash ./data/download_dataset.sh dataset_name

facades : 400 gambar dari Dataset Fasad CMP.
cityscapes : 2975 gambar dari set pelatihan CityScapes.
maps : 1096 gambar pelatihan yang dikikis dari Google Maps
edges2shoes : gambar pelatihan 50K dari dataset UT Zappos50K.
edges2handbags : 137K gambar tas amazon dari proyek Igan.

Atau Anda dapat menggunakan dataset Anda sendiri dengan menempatkan gambar seperti:

 data
├── YOUR_DATASET_NAME
│   ├── A
│   |   ├── xxx.jpg (name doesn't matter)
│   |   ├── yyy.jpg
│   |   └── ...
│   └── B
│       ├── zzz.jpg
│       ├── www.jpg
│       └── ...
└── download_dataset.sh

Semua gambar dalam setiap dataset harus memiliki ukuran yang sama seperti menggunakan Imagemagick:

 # for Ubuntu
$ sudo apt-get install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for Mac
$ brew install imagemagick
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/A/*.jpg
$ mogrify -resize 256x256! -quality 100 -path YOUR_DATASET_NAME/B/*.jpg

# for scale and center crop
$ mogrify -resize 256x256^ -gravity center -crop 256x256+0+0 -quality 100 -path ../A/*.jpg

Untuk melatih model:

 $ python main.py --dataset=edges2shoes --num_gpu=1
$ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4

Untuk menguji model (gunakan load_path Anda):

 $ python main.py --dataset=edges2handbags --load_path=logs/edges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False

Hasil

1. Dataset mainan

Hasil sampel dari model campuran Gaussian 2 dimensi. Ipython Notebook

# iterasi: 0 :

# iterasi: 10000 :

2. Dataset Shoes2Handbags

# iterasi: 11200 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (sepatu -> tas tangan -> sepatu)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (tas tangan -> sepatu -> tas)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

3. EDGES2SHOES Dataset

# iterasi: 9600 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (warna -> sketsa -> warna)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (sketch -> color -> sketch)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

4. EDGES2HANDBAGS Dataset

# iterasi: 9500 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (warna -> sketsa -> warna)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (sketsa -> warna -> sketsa)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) -> G_AB(G_BA(G_AB(x_A))) -> G_BA(G_AB(G_BA(G_AB(x_A)))) -> ...

5. Dataset Cityscapes

# iterasi: 8350 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (gambar -> segmentasi -> gambar)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (segmentasi -> gambar -> segmentasi)

6. Dataset Peta

# iterasi: 22200 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (gambar -> segmentasi -> gambar)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (segmentasi -> gambar -> segmentasi)

7. Dataset fasad

Generasi dan rekonstruksi pada dataset segmentasi padat terlihat aneh yang tidak termasuk dalam kertas.
Saya kira pilihan naif kehilangan mean square error untuk rekonstruksi membutuhkan beberapa perubahan pada dataset ini.

# iterasi: 19450 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (gambar -> segmentasi -> gambar)