DiscoGAN pytorch Download - DiscoGAN pytorch Sourced Code скачать

DiscoGAN pytorch

Питон

1.0.0

Скачать

Discogan в Pytorch

Реализация Pytorch обучения для обнаружения междоменных отношений с генеративными состязательными сетями.

* Все образцы в readme.md генерированы нейронной сетью, за исключением первого изображения для каждой строки.
* Структура сети немного отличается (здесь) из кода автора.

Требования

Python 2.7
Подушка
TQDM
Пирог
факел

Использование

Первая загрузка наборов данных (от pix2pix) с:

 $ bash ./data/download_dataset.sh dataset_name

facades : 400 изображений из набора данных CMP Facades.
cityscapes : 2975 Изображения с учебного набора CityScapes.
maps : 1096 Обучаемые изображения, соскобные с карт Google
edges2shoes : 50K Обучающие изображения из набора данных UT Zappos50K.
edges2handbags : 137K изображения сумочки Amazon от Igan Project.

Или вы можете использовать свой собственный набор данных, размещая такие изображения, как:

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

Все изображения в каждом наборе данных должны иметь одинаковый размер , как и 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

Чтобы тренировать модель:

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

Чтобы проверить модель (используйте свой load_path ):

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

Результаты

1. Набор данных игрушек

Результат образцов из двухмерных моделей гауссовой смеси. Ipython Notebook

# Итерация: 0 :

# Итерация: 10000 :

2. Набор данных Shoes2handbags

# Итерация: 11200 :

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (обувь -> сумочка -> обувь)

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (сумочка -> обувь -> сумочка)

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. Набор данных REDGES2SHOES

# Итерация: 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)))) -> ...

4. Набор данных Edges2handbags

# Итерация: 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)))) -> ...

5. Набор данных CityScapes

# Итерация: 8350 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (image -> сегментация -> image)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (сегментация -> image -> сегментация)

6. Карта набора данных

# Итерация: 22200 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (image -> сегментация -> image)

x_A -> G_AB(x_A) -> G_BA(G_AB(x_A)) (сегментация -> image -> сегментация)

7. Фасады набор данных

Генерация и реконструкция на наборе данных о плотной сегментации выглядит странно, которые не включены в статью.
Я предполагаю, что наивный выбор mean square error для реконструкции требует некоторых изменений в этом наборе данных.

# Итерация: 19450 :

x_B -> G_BA(x_B) -> G_AB(G_BA(x_B)) (image -> сегментация -> image)