pytorch AdaIN
v0.0.0
นี่คือการใช้งาน pytorch อย่างไม่เป็นทางการของกระดาษการถ่ายโอนสไตล์โดยพลการแบบเรียลไทม์ด้วยการปรับอินสแตนซ์แบบปรับได้ [Huang+, ICCV2017] ฉันขอขอบคุณการใช้งานดั้งเดิมใน Torch โดยผู้เขียนซึ่งมีประโยชน์มาก
โปรดติดตั้งข้อกำหนดโดย pip install -r requirements.txt
(ไม่บังคับสำหรับการฝึกอบรม)
ดาวน์โหลด decoder.pth / vgg_normalized.pth จากการเปิดตัวและวางไว้ภายใต้ models/
ใช้ --content และ --style เพื่อให้เส้นทางที่เกี่ยวข้องกับเนื้อหาและสไตล์ภาพ
CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content input/content/cornell.jpg --style input/style/woman_with_hat_matisse.jpg
นอกจากนี้คุณยังสามารถเรียกใช้รหัสบนไดเรกทอรีของเนื้อหาและรูปสไตล์โดยใช้ --content_dir และ --style_dir มันจะบันทึกการรวมกันของเนื้อหาและรูปแบบที่เป็นไปได้ทุกอย่างในไดเรกทอรีเอาต์พุต
CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content_dir input/content --style_dir input/style
นี่คือตัวอย่างของการผสมสี่สไตล์โดยการระบุ --style และ --style_interpolation_weights ตัวเลือก
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
ตัวเลือกอื่น ๆ :
--content_size : ขนาดใหม่ (ขั้นต่ำ) สำหรับภาพเนื้อหา รักษาขนาดดั้งเดิมถ้าตั้งค่าเป็น 0--style_size : ขนาดใหม่ (ขั้นต่ำ) สำหรับภาพเนื้อหา รักษาขนาดดั้งเดิมถ้าตั้งค่าเป็น 0--alpha : ปรับระดับของการจัดสไตล์ ควรเป็นค่าระหว่าง 0.0 ถึง 1.0 (ค่าเริ่มต้น)--preserve_color : รักษาสีของภาพเนื้อหา ใช้ --content_dir และ --style_dir เพื่อให้ไดเรกทอรีที่เกี่ยวข้องกับภาพเนื้อหาและสไตล์
CUDA_VISIBLE_DEVICES=<gpu_id> python train.py --content_dir <content_dir> --style_dir <style_dir>
สำหรับรายละเอียดและพารามิเตอร์เพิ่มเติมโปรดดูที่ -ตัวเลือกการช่วยเหลือ
ฉันแชร์โมเดลที่ได้รับการฝึกฝนด้วยรหัสนี้เป็น iter_1000000.pth at release
