animeGAN

Animegan

生成對抗網絡的簡單pytorch實現，重點是動漫面部圖。

隨機生成的圖像

這些圖像是由在100個時代訓練的143,000個動漫角色面孔訓練的DCGAN模型。

圖像插值

操縱潛在代碼，可以使從第一行中的圖像過渡到最後一行。

原始圖像

這些圖像不是乾淨的，可以觀察到一些異常值，從而降低了生成的圖像的質量。

用法

要運行實驗，

$ python main.py --dataRoot path_to_dataset/ 

DCGAN預驗證的模型也在此存儲庫中，在Jupyter Notebook中播放。

動漫 - 臉數據集

使用Crawler Tool Gallery-DL從Danbooru.donmai.us收集126個標籤的動漫型圖像。然後通過動漫探測器python-Animeface處理圖像。最終的數據集包含約143,000個動漫面孔。請注意，某些標籤在裁剪後可能不再有意義，即“統一”標籤下的裁剪面部圖像可能不包含均勻套件的可見部分。

如何從頭開始構建數據集？

前提：畫廊-DL，Python-Animeface

1. 下載動漫風格的圖像

    # 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. 從下載的圖像中提取面孔

    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

我已經清潔了原始數據集，該數據集的新版本具有115085的圖像，其中有126個標籤。您可以從：

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

請使用非商業用途。

我學到的東西

1. 甘斯真的很難訓練。
2. DCGAN通常運行良好，只需添加完全連接的層即可引起問題。
3. 在我的情況下，更多的G產生更好的圖像，從某種意義上說，G應該比D更強大。
4. 在D的輸入和標籤中添加噪音有助於穩定訓練。
5. 使用不同網絡輸入並生成分辨率（64x64 vs 96x96），在訓練過程中似乎沒有明顯的差異，生成的圖像也非常相似。
6. binray噪聲作為G的輸入非常有效，但是這些圖像不如具有Gussian噪聲的圖像，Idea Credit to @cwhy ['Binary Noise'這是指由Bernoulli分佈在P = 0.5生成的{-1,1}的序列，

我沒有仔細驗證它們，如果您正在尋找一些一般的gan技巧，請參閱 @soumith的ganhacks

其他的

1. 該項目受到Chainer-Dcgan和Illustrationgan的嚴重影響，這些代碼主要是從Pytorch DCGAN示例中藉來的，感謝作者的清潔代碼。
2. 依賴性：Pytorch，torchvision
3. 這是一個玩具項目，我可以學習Pytorch和Gans，最重要的是，為了娛樂！ :)任何反饋都歡迎。

@Jayleicn