CycleGAN-and-pix2pix 环境搭建：数据集下载
🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
❤️专栏：风格迁移❤️
👋 Follow me 👋，一起 Get 更多有趣 AI、冲冲冲 🚀 🚀
CycleGAN and pix2pix in PyTorch
- # CycleGAN-and-pix2pix GitHub
- # anaconda conda 切换为国内源 、windows 和 Linux配置方法、 添加清华源——【一文读懂】
- # # linux和window设置 pip 镜像源——最实用的机器学习库下载加速设置
- # Linux下cuda9.1安装Pytorch和Torchvision
我的环境搭建过程如下
conda create -n pix2pix python=3.6.5
pip install torch==1.1.0
pip install pillow
pip install torchvision==0.3.0
pip install dominate
pip install visdom
- 官方GitHub
- 这个项目，官方提供了非常详细的运行、测试教程，以及预训练模型，本博文就不画蛇添足了；
- 鼓励大家遇到项目，首先认真看一下，官方的 readMe ;
- 一些官方的readme不够充分的情况下，我的博文往往会起到简介、梳理、可正确运行的助力，感谢大家的支持；
测试
按照 gitHub上的教程，下载对应数据集和预训练模型之后，运行 ：
python test.py --dataroot datasets/horse2zebra/testA --name horse2zebra_pretrained --model test --no_dropout
发现：cycleGan-pix2pix/results 目录下生成对应的结果文件夹，查看效果即可
论文工作总结
《Image-to-Image Translation with Conditional Adversarial Networks》
《 使用条件对抗网络进行图像到图像的转换 》
- pix2pix 简介：
这篇论文发表在CVPR2017，简称pix2pix，是将GAN应用于有监督的图像到图像翻译的经典论文，有监督表示训练数据是成对的。图像到图像翻译（image-to-image translation）是GAN很重要的一个应用方向，什么叫图像到图像翻译呢？其实就是基于一张输入图像得到想要的输出图像的过程，可以看做是图像和图像之间的一种映射（mapping），我们常见的图像修复、超分辨率其实都是图像到图像翻译的例子。 pix2pix基于GAN实现图像翻译，更准确地讲是基于cGAN（conditional GAN，也叫条件GAN），因为cGAN可以通过添加条件信息来指导图像生成，因此在图像翻译中就可以将输入图像作为条件，学习从输入图像到输出图像之间的映射，从而得到指定的输出图像。而其他基于GAN来做图像翻译的，因为GAN算法的生成器是基于一个随机噪声生成图像，难以控制输出，因此基本上都是通过其他约束条件来指导图像生成，而不是利用cGAN，这是pix2pix和其他基于GAN做图像翻译的差异。
pix2pix 论文主要成果：
- 我们的主要贡献是证明在各种问题上，有条件的GAN都能产生合理（较好）的结果。
- 我们的第二个贡献是提出一个足以取得良好结果的简单框架，并分析几种重要架构选择的影响。
风格迁移项目数据集下载链接：
🚀🚀目前掘金平台已经创作的经典博文如下🚀🚀
计算机视觉领域、经典博文
AI 学习、深度学习环境搭建 : 一文读懂
🚀🚀 墨理学AI
博主简介：墨理，2020年 硕士毕业，目前从事图像算法，AI工程化 相关工作 •
- 🍊 计算机视觉：超分重建、图像修复、目标检测、风格迁移 等领域 稍有所学
- 🍊 AI 工程化：Ncnn、MNN、TensorRT 正在 学习
- 🍊 C++、Python、Java 略懂一二
- 🍊 全网 10 w 读者粉丝
- 🍊 博文主要创作平台：CSDN + 公--中--号 + 掘金 + 知乎
喜欢请关注 墨理学AI 及其 同名 公---中--- 号 墨理学AI
取经路上，让墨理学AI 陪你畅享更多有趣AI
美团二面804人在聊