DiscoGAN pytorch

discogan在pytorch中

Pytorch實施學習與生成對抗網絡發現跨域關係的實施。

* readme.md中的所有樣本均由神經網絡染色，除了每行的第一個圖像。
*網絡結構與作者的代碼略有不同（此處）。

要求

• Python 2.7
• 枕頭
• TQDM
• Pytorch
• 火炬vision

用法

首先通過以下方式下載數據集（來自Pix2Pix）

 $ bash ./data/download_dataset.sh dataset_name

• facades ：來自CMP立面數據集的400張圖像。
• cityscapes ：2975張來自CityScapes培訓集中的圖像。
• maps ：1096培訓圖像從Google地圖上刮下來
• edges2shoes ：UT Zappos50k數據集的50K培訓圖像。
• edges2handbags ：Igan Project的137K亞馬遜手提包圖像。

或者，您可以通過放置圖像來使用自己的數據集。

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

每個數據集中的所有圖像都應具有相同的大小，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

訓練模型：

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

測試模型（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

結果

1。玩具數據集

來自二維高斯混合模型的樣品結果。 ipython筆記本

＃迭代：0 ：

＃迭代：10000 ：

2。 Shoes2Handbags數據集

＃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數據集

＃迭代：9600 ：

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

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （草圖 - > 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數據集

＃迭代：9500 ：

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

x_B > G_BA(x_B) - > G_AB(G_BA(x_B)) （草圖 - > 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。城市景觀數據集

＃迭代：8350 ：

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

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

6。地圖數據集

＃迭代：22200 ：

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

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

7。外牆數據集

密集分割數據集的生成和重建看起來很奇怪，這些數據不包括在論文中。
我想對重建的mean square error損失的天真選擇需要在此數據集上進行一些更改。

＃迭代：19450 ：

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

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

相關作品

• dcgan-tensorflow
• 啟動量表
• 模擬的無需觀察的濃度

作者

Taehoon Kim / @carpedm20