DiscoGAN pytorch
1.0.0
生成的敵対的ネットワークとのクロスドメイン関係を発見するための学習のPytorchの実装。
* readme.mdのすべてのサンプルは、各行の最初の画像を除いて、ニューラルネットワークに心を込めて心に留めています。
*ネットワーク構造は、著者のコードから（ここで）わずかに異なります。
最初にデータセット（PIX2PIXから）をダウンロードしてください。
$ bash ./data/download_dataset.sh dataset_name
facades ：CMP Facades Datasetの400画像。cityscapes ：Cityscapesトレーニングセットの2975画像。maps ：Googleマップから削り取られた1096のトレーニング画像edges2shoes ：ut zappos50kデータセットからの50kのトレーニング画像。edges2handbags ：Igan Projectの137k Amazonハンドバッグ画像。または、次のような画像を配置して、独自のデータセットを使用できます。
data
├── YOUR_DATASET_NAME
│ ├── A
│ | ├── xxx.jpg (name doesn't matter)
│ | ├── yyy.jpg
│ | └── ...
│ └── B
│ ├── zzz.jpg
│ ├── www.jpg
│ └── ...
└── download_dataset.sh
各データセットのすべての画像は、ImageMagickを使用するのと同じサイズを持つ必要があります。
# 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
モデルをトレーニングするには：
$ python main.py --dataset=edges2shoes --num_gpu=1
$ python main.py --dataset=YOUR_DATASET_NAME --num_gpu=4
モデルをテストするには（ load_pathを使用してください）：
$ python main.py --dataset=edges2handbags --load_path=logs/edges2handbags_2017-03-18_10-55-37 --num_gpu=0 --is_train=False
2次元ガウス混合モデルからのサンプルの結果。 IPythonノートブック
＃反復：0 ：
＃反復：10000 ：
＃反復：11200 ：
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （靴 - >ハンドバッグ - >靴）
x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （handbag-> shoe-> handbag）
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)))) - > ...
＃iteration：9600 ：
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （color-> sketch-> color）
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)))) - > ...
＃イテレーション：9500 ：
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （color-> sketch-> color）
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)))) - > ...
＃反復：8350 ：
x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （画像 - >セグメンテーション - >画像）
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （segmentation-> image-> segmentation）
＃iteration：22200 ：
x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （画像 - >セグメンテーション - >画像）
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （segmentation-> image-> segmentation）
密なセグメンテーションデータセットの生成と再構築は、論文に含まれていない奇妙に見えます。
再構築のためのmean square error損失の素朴な選択には、このデータセットで何らかの変更が必要だと思います。
＃反復：19450 ：
x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （画像 - >セグメンテーション - >画像）
x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （segmentation-> image-> segmentation）
Taehoon Kim / @carpedm20
