Transferring GANs

从有限的数据中转移gan产生图像

抽象的：

通过填充将验证网络的知识转移到新领域是一种基于判别模型的应用程序的广泛使用的实践。据我们所知，这种做法尚未在生成深网的背景下进行研究。因此，我们研究针对具有生成对抗网络的图像产生的域适应性。我们评估了域适应性的几个方面，包括目标域大小的影响，源和目标域之间的相对距离以及条件gan的初始化。我们的结果表明，使用验证网络的知识可以缩短收敛时间，并且可以显着提高生成的图像的质量，尤其是当目标数据受到限制时。我们表明，即使在没有条件条件的情况下训练了验证的模型，也可以为有条件的gan得出这些结论。我们的结果还表明，密度可能比多样性更重要，而一个或几个密集采样类别的数据集可能比ImageNet或Plote等多样化的数据集更好。

概述

• 依赖
• 安装
• 指示
• 结果
• 参考
• 接触

依赖

• python2.7，numpy，scipy，nvidia gpu
• TensorFlow：版本应该更多1.0（https：//www.tensorflow.org/）
• 数据集： LSUN卧室（http://lsun.cs.princeton.edu/2017/）或您的数据集

安装

• 安装TensorFlow
• OPENCV

指示

• 使用'git克隆https://github.com/yaxingwang/transferring-gans'

  您将在当前路径中获得名称为“ Transferring-Gans”的新文件夹，然后使用“ CD Transfring-Gans”输入下载的新文件夹

• 下载Pretrain ModelsGoogle驱动程序；腾讯QCloud

  未压缩的下载文件夹到当前文件夹，然后您有新的文件夹'Transfer_model'，其中包含两个文件夹：“条件”，“无条件”，每个文件夹都有四个文件夹：“ Imagenet”，“ ploces”，“ celeba”，“ celeba'，'supperroom'

• 下载数据集或使用您的数据集。

  我已经展示了一个例子，您可以以相同的形式制作。

• 运行'Python Transfer_gan.py'

  带有默认设置的运行代码。可以通过更改参数“ target_domain”来验证的模型

• 有条件的gan如果您有兴趣使用条件模型，只需设置参数'acgan = true'

结果

使用验证的模型不仅获得高性能，而且可以迅速附加收敛。在下图中，我们显示了条件和无条件设置。

参考

• [1] Ishaan Gulrajani等人的“改善了Wasserstein Gans的培训”。 al，https://arxiv.org/abs/1704.00028，（https://github.com/igul222222222222222222222222222222222222222222222222222222222222222222222222222222222222222转。
• [2] Martin Heusel等人由两个时间尺度更新规则训练的甘斯汇合到本地NASH均衡。 Al，https://arxiv.org/abs/1704.00028

接触

如果您遇到此代码的任何问题，请在项目的GitHub站点上提交错误报告。有关与我的另一个inquries pleace联系：[email protected]