我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

pix2pix

2022-03-14 model:pix2pix-ubuntu18.04-cuda11.1.1-cudnn8-python3.8-pytorch1.8.0-new

模型标签
图像分类

模型简介

模型介绍: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。论文地址:https://arxiv.org/pdf/1406.1078.pdf


  1. 使用方法

  2. 模型来源


1. 使用方法

1.1. 准备数据集

在终端,在root/pytorch-CycleGAN-and-pix2pix-master(默认)路径下,运行以下命令:

cd ../..
# 进入根目录
cp -r /datasets/facades ../../user-data
# 将复现所需的公开数据集复制到指定文件夹下

1.2. 模型训练

在终端,进入root/pytorch-CycleGAN-and-pix2pix-master(默认)路径下,运行以下命令:

python train.py --dataroot ../../user-data/facades --name facades_pix2pix --model pix2pix --direction BtoA

1.3. 模型测试

在终端,进入root/pytorch-CycleGAN-and-pix2pix-master(默认)路径下,运行以下命令:

python test.py --dataroot ../../user-data/facades --direction BtoA --model pix2pix --name facades_pix2pix

2. 模型来源

https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix