PISE

pise

CVPRペーパーパイズのコード：分離したGan、Project Page、Supp。

要件

 conda create -n pise python=3.6
conda install pytorch=1.2 cudatoolkit=10.0 torchvision
pip install scikit-image pillow pandas tqdm dominate natsort 

データ

画像とキーポイントのデータ準備は、ポーズ転送とGFLAに従うことができます。

1. ディープファッションデータセットをダウンロードします。データセットメンテナーからパスワードを尋ねる必要があります。 'img/img.zip'をunzipし、「img」という名前のフォルダーを './fashion_data'ディレクトリに配置します。

2. Train/Test Key PointsアノテーションとGoogleドライブからのデータセットリストをダウンロードします。これには、 Fashion-Pairs-Train.csv 、 Fashion-Pairs-test.csv 、 Fashion-Annotation-Train.csv 、 Fashion-Annotation-Train.csv、 Trainを含む。 LST 、 test.lst 。これらのファイルを./fashion_dataディレクトリの下に置きます。

3. 次のコードを実行して、トレイン/テストデータセットを分割します。

    python data/generate_fashion_datasets.py
   

4. 解析データをダウンロードし、これらのファイルを./fashion_dataディレクトリの下に配置します。テストのための解析データは、Baidu（Fectchコード：ABCD）またはGoogleドライブから見つけることができます。トレーニング用のデータの解析は、Baidu（Fectchコード：ABCD）またはGoogleドライブから見つけることができます。データをPGNでフォローし、必要に応じてラベルを再編成できます。

電車

 python train.py --name=fashion --model=painet --gpu_ids=0

ポーズ転送モデルとテクスチャ転送と地域の編集をトレーニングする場合は、177ラインと178行、および162-176行のuncommentsにコメントするだけであることに注意してください。

Multi-GPUを使用したトレーニングについては、GFLAで問題を参照できます

テスト

Baidu（Fetch Code：ABCD）またはGoogleドライブからテスト結果を直接ダウンロードできます。
私たちの論文で報告されている人間のポーズ転送の事前に訓練されたチェックポイントは、Baidu（Fetch Code：ABCD）またはGoogleドライブから見つけることができ、それをフォルダー（ - > results-> Fashion）に入れます。

テクスチャトランフ、地域編集、スタイルの補間の事前に訓練されたチェックポイントは、Baidu（Fetch Code：ABCD）またはGoogleドライブから見つけることができます。モデルを変更する必要があることに注意してください。

自分でテストします

 python test.py --name=fashion --model=painet --gpu_ids=0 

引用

このコードを使用する場合は、私たちの論文を引用してください。

 @InProceedings{Zhang_2021_CVPR,
    author    = {Zhang, Jinsong and Li, Kun and Lai, Yu-Kun and Yang, Jingyu},
    title     = {{PISE}: Person Image Synthesis and Editing With Decoupled GAN},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2021},
    pages     = {7982-7990}
}

謝辞

私たちのコードはGFLAに基づいています。