分享程序员开发的那些事...
更新时间：2022-06-06 05:25:34
???? 版权: 本文由【墨理学AI】原创、各位大佬、一文读懂、敬请查阅
???? 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 ❤️
声明：本博文按照官方readMe步骤，对测试实验过程进行简洁记录，仅供参考，码字不易，感谢支持
论文摘要
生成对抗网络 (GAN) 从随机潜在向量合成逼真的图像。 尽管操纵潜在向量控制了合成输出，但使用 GAN 编辑真实图像存在以下问题：i) 将真实图像投影到潜在向量的优化耗时，ii) 或通过编码器嵌入不准确。 我们提出 StyleMapGAN：中间潜在空间具有空间维度，并且空间变体调制替代了 AdaIN。 它使通过编码器的嵌入比现有的基于优化的方法更准确，同时保持 GAN 的特性。 实验结果表明，我们的方法在各种图像处理任务（例如本地编辑和图像插值）中明显优于最先进的模型。 最后但并非最不重要的一点是，GAN 上的传统编辑方法在我们的 StyleMapGAN 上仍然有效。
服务器：ubuntu1~18.04 Quadro RTX 5000 16G
#!/bin/bash
conda install -y pytorch=1.4.0 torchvision=0.5.0 -c pytorch
conda install -y numpy=1.18.1 scikit-image=0.16.2 tqdm
conda install -y -c anaconda ipython=7.13.0
pip install lmdb==0.98 opencv-python==4.2.0.34 munch==2.5.0
pip install -U scikit-image==0.15.0 scipy==1.2.1 matplotlib scikit-learn
pip install flask==1.0.2 pillow==7.0.0我博文已经搭建了很多环境，因此这里直接 activate 一个即可
conda activate torch15这里 下载 afhq 相关数据 + 模型，对其进行测试
# Download raw images and create LMDB datasets using them
# Additional files are also downloaded for local editing
bash download.sh create-lmdb-dataset afhq
# Download the pretrained network (256x256)
bash download.sh download-pretrained-network-256 afhq
# Download the pretrained network (1024x1024 image / 16x16 stylemap / Light version of Generator)
bash download.sh download-pretrained-network-1024 ffhq_16x16
__
__
Reconstruction Results are saved to expr/reconstruction.
python generate.py --ckpt expr/checkpoints/afhq_256_8x8.pt --mixing_type reconstruction --test_lmdb data/afhq/LMDB_test单卡 GPU 占用 11073MiB
reconstruction 目录下是对 afhq_raw\raw_images\test\images 目录下 500 test 图像的 重建：
Unaligned transplantation Results are saved to expr/transplantation. It shows local transplantations examples of AFHQ.
python generate.py --ckpt expr/checkpoints/afhq_256_8x8.pt --mixing_type transplantation --test_lmdb data/afhq/LMDB_testtransplantation 目录下是一个图像的合成转换：
Results are saved to expr/w_interpolation.
python generate.py --ckpt expr/checkpoints/afhq_256_8x8.pt --mixing_type w_interpolation --test_lmdb data/afhq/LMDB_test单卡 GPU 占用 8769MiB
Results are saved to expr/local_editing. We pair images using a target semantic mask similarity.
目标 mask 语义修复
python generate.py --ckpt expr/checkpoints/afhq_256_8x8.pt --mixing_type local_editing --test_lmdb data/afhq/LMDB_test单卡 GPU 占用 9013MiB
local_editing\afhq\synthesized_image
Random Generation Results are saved to expr/random_generation. It shows random generation examples.
python generate.py --mixing_type random_generation --ckpt expr/checkpoints/afhq_256_8x8.pt
单卡 GPU 占用 12995MiB
Style Mixing Results are saved to expr/stylemixing. It shows style mixing examples.
python generate.py --mixing_type stylemixing --ckpt expr/checkpoints/afhq_256_8x8.pt --test_lmdb data/afhq/LMDB_test
单卡 GPU 占用 8765 MiB
Semantic Manipulation Results are saved to expr/semantic_manipulation.
It shows local semantic manipulation examples.
python semantic_manipulation.py --ckpt expr/checkpoints/afhq_256_8x8.pt --LMDB data/afhq/LMDB --svm_train_iter 10000
单卡 GPU 占用 6455MiB
遇到报错 | Semantic Manipulation 应该暂时只有 celeba_hq 可以使用和运行
validate boundary.
Accuracy for validation set: 535 / 999 = 0.535536
classifier.coef_.shape (1, 4096)
boundary.shape (64, 8, 8)
30000 images, 16130 latent_codes
Traceback (most recent call last):
File "semantic_manipulation.py", line 348, in <module>
assert total_number == len(latent_codes)
AssertionError
???? 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️
❤️ 如果文章对你有帮助、点赞、评论鼓励博主的每一分认真创作
❤️ 比寻找温暖更重要的是，让自己成为一盏灯火 ❤️