CycleGAN-and-pix2pix 环境搭建——数据集下载

❤️【专栏：数据集整理】❤️ 之【有效拒绝假数据】

---

👋 Follow me 👋，一起 Get 更多有趣 AI、冲冲冲 🚀 🚀

CycleGAN and pix2pix in PyTorch

• CycleGAN-and-pix2pix GitHub
• Linux系统下conda的安装与使用
• pip 源配置
• Linux下cuda9.1安装Pytorch和Torchvision

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



  

 

  
1
  
2
  
3
  
4
  
5
  
6
  
7
  
8
  
9
  
10
  
11
  
12
  
13
  
14
 

• 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

  

 

  
1
 

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：

• berkeley主页下载
• https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/

2021-1-22 日，补充云盘分享数据获取方式

搜索关注本博客同名公号，公号后台，回复【20210105】获取本博文中上图所示 CycleGAN 风格迁移常用数据集 云盘下载链接：

20210105

  

 

  
1
 

{ 墨理 }所有数据集分享获取方式汇总于该码云项目

• https://gitee.com/bravePatch/datasets/blob/master/README.md

文章来源: positive.blog.csdn.net，作者：墨理学AI，版权归原作者所有，如需转载，请联系作者。

原文链接：positive.blog.csdn.net/article/details/106999087