PISE

Pise

我們的CVPR紙的代碼：Person Image Synthesis和Decled Gan，Project Page，Supp的編輯。

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 

數據

圖像和關鍵點的數據準備可以遵循姿勢轉移和GFLA。

1. 下載Deep Fashion數據集。您將需要從數據集維護者那裡詢問密碼。 unzip'img/img.zip'，然後將名為“ img”的文件夾放入./fashion_data'目錄中。

2. 從Google Drive下載火車/測試關鍵點註釋和數據集列表，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 。將這些文件放在./fashion_data目錄下。

3. 運行以下代碼以拆分火車/測試數據集。

    python data/generate_fashion_datasets.py
   

4. 下載解析數據，然後將這些文件放在./fashion_data目錄下。可以從百度（Fectch Code：ABCD）或Google Drive找到用於測試的解析數據。可以從Baidu（Fectch Code：ABCD）或Google Drive中找到用於培訓的數據。您可以使用PGN獲取數據，並根據需要重新組織標籤。

火車

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

請注意，如果您想訓練姿勢轉移模型以及紋理轉移和區域編輯，只需評論第177和178行，以及Uncomments Line 162-176。

對於使用Multi-GPU的培訓，您可以參考GFLA中的問題

測試

您可以直接從Baidu（Fetch Code：ABCD）或Google Drive下載我們的測試結果。
可以從Baidu（Fetch Code：ABCD）或Google Drive中找到人類姿勢轉移的預訓練檢查點，然後將其放入文件夾中（ - >結果 - >時尚）。

可以從BAIDU（Fetch Code：ABCD）或Google Drive中找到紋理轉移，區域編輯，樣式插值的預訓練檢查點。請注意，需要更改模型。

自己測試

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

引用

如果您使用此代碼，請引用我們的論文。

 @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}
}

致謝

我們的代碼基於GFLA。