DiscoGAN pytorch

discogan在pytorch中

Pytorch实施学习与生成对抗网络发现跨域关系的实施。

* readme.md中的所有样本均由神经网络染色，除了每行的第一个图像。
*网络结构与作者的代码略有不同（此处）。

要求

• Python 2.7
• 枕头
• TQDM
• Pytorch
• 火炬vision

用法

首先通过以下方式下载数据集（来自Pix2Pix）

 $ bash ./data/download_dataset.sh dataset_name

• facades ：来自CMP立面数据集的400张图像。
• cityscapes ：2975张来自CityScapes培训集中的图像。
• maps ：1096培训图像从Google地图上刮下来
• edges2shoes ：UT Zappos50k数据集的50K培训图像。
• edges2handbags ：Igan Project的137K亚马逊手提包图像。

或者，您可以通过放置图像来使用自己的数据集。

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

每个数据集中的所有图像都应具有相同的大小，例如使用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

训练模型：

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

测试模型（使用load_path ）：

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

结果

1。玩具数据集

来自二维高斯混合模型的样品结果。 ipython笔记本

＃迭代：0 ：

＃迭代：10000 ：

2。Shoes2Handbags数据集

＃迭代：11200 ：

x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （鞋子 - >手袋 - > shoe）

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （手提包 - > shoe->手袋）

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。Edges2shoes数据集

＃迭代：9600 ：

x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （颜色 - > sketch->颜色）

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （草图 - > 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。Edges2Handbags数据集

＃迭代：9500 ：

x_A > G_AB(x_A) - > G_BA(G_AB(x_A)) （颜色 - > sketch->颜色）

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （草图 - > 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。城市景观数据集

＃迭代：8350 ：

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （图像 - >分段 - >图像）

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

6。地图数据集

＃迭代：22200 ：

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （图像 - >分段 - >图像）

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

7。外墙数据集

密集分割数据集的生成和重建看起来很奇怪，这些数据不包括在论文中。
我想对重建的mean square error损失的天真选择需要在此数据集上进行一些更改。

＃迭代：19450 ：

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （图像 - >分段 - >图像）

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

相关作品

• dcgan-tensorflow
• 启动量表
• 模拟的无需观察的浓度

作者

Taehoon Kim / @carpedm20