pytorch AdaIN

Pytorch-Adain

Это неофициальная реализация Pytorch статьи, производимой передачи стиля в режиме реального времени с адаптивной нормализацией экземпляра [Huang+, ICCV2017]. Я очень благодарен оригинальной реализации в Torch авторами, что очень полезно.

Требования

Пожалуйста, установите требования по pip install -r requirements.txt

• Python 3.5+
• Pytorch 0,4+
• TOCHVISION
• Подушка

(необязательно, для обучения)

• TQDM
• Tensorboardx

Использование

Скачать модели

Скачать decoder.pth / vgg_normalized.pth из выпуска и поместите их в models/ .

Тест

Используйте --content и --style , чтобы обеспечить соответствующий путь к изображению контента и стиля.

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

Вы также можете запустить код в каталогах контента и изображений стиля, используя --content_dir и --style_dir . Это сохранит каждую возможную комбинацию контента и стилей в выходной каталог.

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

Это пример смешивания четырех стилей путем указания опции --style и --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

Некоторые другие варианты:

• --content_size : новый (минимальный) размер для изображения контента. Сохранение исходного размера, если установлен на 0.
• --style_size : новый (минимальный) размер для изображения контента. Сохранение исходного размера, если установлен на 0.
• --alpha : скорректировать степень стилизации. Это должно быть значение от 0,0 до 1,0 (по умолчанию).
• --preserve_color : сохранить цвет изображения содержимого.

Тренироваться

Используйте --content_dir и --style_dir для предоставления соответствующего каталога для изображений контента и стиля.

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

Для получения более подробной информации и параметров, пожалуйста, см.

Я делюсь моделью, обученной этим кодом в качестве iter_1000000.pth At Release.

Ссылки

• [1]: X. Huang and S. Phishipie. «Производный передача стиля в режиме реального времени с адаптивной нормализацией экземпляров». В ICCV, 2017.
• [2]: оригинальная реализация в факеле