PISE

Pise

我们的CVPR纸的代码：Person Image Synthesis和Decled Gan，Project Page，Supp的编辑。

要求

 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 

数据

图像和关键点的数据准备可以遵循姿势转移和GFLA。

1. 下载Deep Fashion数据集。您将需要从数据集维护者那里询问密码。 unzip'img/img.zip'，然后将名为“ img”的文件夹放入./fashion_data'目录中。

2. 从Google Drive下载火车/测试关键点注释和数据集列表，包括Fashion-pairs-train.csv ， Fashion-pairs-test.csv ， Fashion-Annotation-train-train.csv ， Fashion-annotation-train-train-train.csv， Train。 lst ， test.lst 。将这些文件放在./fashion_data目录下。

3. 运行以下代码以拆分火车/测试数据集。

    python data/generate_fashion_datasets.py
   

4. 下载解析数据，然后将这些文件放在./fashion_data目录下。可以从百度（Fectch Code：ABCD）或Google Drive找到用于测试的解析数据。可以从Baidu（Fectch Code：ABCD）或Google Drive中找到用于培训的数据。您可以使用PGN获取数据，并根据需要重新组织标签。

火车

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

请注意，如果您想训练姿势转移模型以及纹理转移和区域编辑，只需评论第177和178行，以及Uncomments Line 162-176。

对于使用Multi-GPU的培训，您可以参考GFLA中的问题

测试

您可以直接从Baidu（Fetch Code：ABCD）或Google Drive下载我们的测试结果。
可以从Baidu（Fetch Code：ABCD）或Google Drive中找到人类姿势转移的预训练检查点，然后将其放入文件夹中（ - >结果 - >时尚）。

可以从BAIDU（Fetch Code：ABCD）或Google Drive中找到纹理转移，区域编辑，样式插值的预训练检查点。请注意，需要更改模型。

自己测试

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

引用

如果您使用此代码，请引用我们的论文。

 @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}
}

致谢

我们的代码基于GFLA。