animeGAN

Animegan

生成对抗网络的简单pytorch实现，重点是动漫面部图。

随机生成的图像

这些图像是由在100个时代训练的143,000个动漫角色面孔训练的DCGAN模型。

图像插值

操纵潜在代码，可以使从第一行中的图像过渡到最后一行。

原始图像

这些图像不是干净的，可以观察到一些异常值，从而降低了生成的图像的质量。

用法

要运行实验，

$ python main.py --dataRoot path_to_dataset/ 

DCGAN预验证的模型也在此存储库中，在Jupyter Notebook中播放。

动漫 - 脸数据集

使用Crawler Tool Gallery-DL从Danbooru.donmai.us收集126个标签的动漫型图像。然后通过动漫探测器python-Animeface处理图像。最终的数据集包含约143,000个动漫面孔。请注意，某些标签在裁剪后可能不再有意义，即“统一”标签下的裁剪面部图像可能不包含均匀套件的可见部分。

如何从头开始构建数据集？

前提：画廊-DL，Python-Animeface

1. 下载动漫风格的图像

    # download 1000 images under the tag "misaka_mikoto"
   gallery-dl --images 1000 " https://danbooru.donmai.us/posts?tags=misaka_mikoto "
   
   # in a multi-processing manner
   cat tags.txt | 
   xargs -n 1 -P 12 -I ' tag '  
   bash -c ' gallery-dl --images 1000 "https://danbooru.donmai.us/posts?tags=$tag" '

2. 从下载的图像中提取面孔

    import animeface
   from PIL import Image
   
   im = Image . open ( 'images/anime_image_misaka_mikoto.png' )
   faces = animeface . detect ( im )
   x , y , w , h = faces [ 0 ]. face . pos
   im = im . crop (( x , y , x + w , y + h ))
   im . show () # display

我已经清洁了原始数据集，该数据集的新版本具有115085的图像，其中有126个标签。您可以从：

• github：https：//github.com/jayleicn/animegan/releases/tag/data
• Baiduyun：https：//pan.baidu.com/s/1o8nxllo

请使用非商业用途。

我学到的东西

1. 甘斯真的很难训练。
2. DCGAN通常运行良好，只需添加完全连接的层即可引起问题。
3. 在我的情况下，更多的G产生更好的图像，从某种意义上说，G应该比D更强大。
4. 在D的输入和标签中添加噪音有助于稳定训练。
5. 使用不同网络输入并生成分辨率（64x64 vs 96x96），在训练过程中似乎没有明显的差异，生成的图像也非常相似。
6. binray噪声作为G的输入非常有效，但是这些图像不如具有Gussian噪声的图像，Idea Credit to @cwhy ['Binary Noise'这是指由Bernoulli分布在P = 0.5生成的{-1,1}的序列，

我没有仔细验证它们，如果您正在寻找一些一般的gan技巧，请参阅 @soumith的ganhacks

其他的

1. 该项目受到Chainer-Dcgan和Illustrationgan的严重影响，这些代码主要是从Pytorch DCGAN示例中借来的，感谢作者的清洁代码。
2. 依赖性：Pytorch，torchvision
3. 这是一个玩具项目，我可以学习Pytorch和Gans，最重要的是，为了娱乐！ :)任何反馈都欢迎。

@Jayleicn