内容简介:雷锋网文中提出了一种 2 阶对抗式边缘连接模型,该模型由一个边缘生成器和一个图像完成网络组成。边缘生成器先描绘出图像缺失区域(规则和不规则)的边缘,图像完成网络先验使用描绘出的边缘填充缺失区域。论文对该系统进行了详细的描述。
雷锋网 (公众号:雷锋网) AI 科技评论按,用对抗性边缘学习修复生成图像是一种新的图像修复方法,它可以更好地复制填充区域,它的细节部分展现了开发者对艺术工作者工作方式的理解:线条优先,颜色次之。对应的论文在 arxiv 上可以查看: https://arxiv.org/abs/1901.00212 。
文中提出了一种 2 阶对抗式边缘连接模型,该模型由一个边缘生成器和一个图像完成网络组成。边缘生成器先描绘出图像缺失区域(规则和不规则)的边缘,图像完成网络先验使用描绘出的边缘填充缺失区域。论文对该系统进行了详细的描述。
(a)输入有缺失区域的图像,缺失区域用白色表示。(b)计算得到的边缘,使用 Canny 边缘检测器计算(针对可用区域)黑色绘制的边缘;而蓝色显示的边缘由边缘生成器网络描绘。(c)拟用方法的图像修复结果。
准备:
Python 3
PyTorch 1.0
NVIDIA GPU + CUDA cuDNN
安装:
复制下面这个 repo:
git clone https://github.com/knazeri/edge-connect.gitcd edge-connect cd edge-connect
从 http://pytorch.org 安装 PyTorch 及其相关依赖。
安装 python 文件:
pip install -r requirements.txt
数据集
1. 图像
这里使用 Places2 , CelebA 以及 Paris Street-View 数据集。从官网下载数据集,在整个数据集上训练模型。
下载完成后,运行 scripts/flist.py 这个文件来生成训练、测试和验证集文件列表。例如,要在 Places2 数据集上生成训练集文件列表,请运行:
mkdir datasets python ./scripts/flist.py --path path_to_places2_train_set --output ./datasets/places_train.flist
2 .不规则掩膜
我们的模型是在 Liu 等人 提供的不规则掩模数据集上进行训练的,你可以从 他们的网站上 下载公开的不规则掩膜数据集。 雷锋网
请使用 scripts/flist.py 生成上述训练、测试和验证集掩膜文件列表。
开始
使用以下链接下载预先训练的模型,并将其复制到./checkpoints 目录下。
Places2 | CelebA | Paris-StreetView
或者,你可以运行以下脚本自动下载预训练的模型:
bash ./scripts/download_model.sh
1 .训练
要训练模型,请创建一个类似于示例配置文件的 config.yaml 文件,并将其复制到检查点目录下。有关模型配置的详细信息,请参阅配置指南。
EdgeConnect 的训练分为三个阶段:1)边缘模型的训练;2)内部模型的训练;3)联合模型的训练。训练模型:
python train.py --model [stage] --checkpoints [path to checkpoints]
例如,要在./checkpoints/places2 目录下的 places2 数据集上训练边缘模型:
python train.py --model 1 --checkpoints ./checkpoints/places2
模型的收敛性因数据集而异。例如,Places2 数据集在两个时期中的一个就能聚合,而较小的数据集(如 CelebA)则需要将近 40 个时期才能聚合。你可以通过更改配置文件中的 MAX_ITERS 值来设置训练迭代次数。 雷锋网
2 .测试
要测试模型,请创建一个与 示例配置文件 类似的 config.yaml 文件,并将其复制到检查点目录下。
你可以在所有三个阶段上测试模型:边缘模型、内部模型和联合模型。在每种情况下,都需要提供一个输入图像(带掩膜的图像)和一个灰度掩膜文件。请确保掩膜文件覆盖输入图像中的整个掩膜区域。测试模型:
python test.py \
--model [stage]
--checkpoints [path to checkpoints] \
--input [path to input directory or file] \
--mask [path to masks directory or mask file] \
--output [path to the output directory]
我们在./examples 目录下提供了一些测试示例,请下载预训练模型并运行:
python test.py \
--checkpoints ./checkpoints/places2
--input ./examples/places2/images
--mask ./examples/places2/masks
--output ./checkpoints/results
此脚本将在./examples/places2/images 中使用和./examples/places2/mask 对应的掩膜图像,并将结果保存在./checkpoints/results 目录中。默认情况下,test.py 脚本在阶段 3 上运行(--model=3)。
3 .评估
要评估模型,你需要首先在测试模式下对 validation 集运行模型,并将结果保存到磁盘上。我们提供了一个实用程序./scripts/metrics.py,使用 PSNR, SSIM 和 Mean Absolute Error 评估模型:
python ./scripts/metrics.py --data-path [验证集路径] --输出路径 [模型输出路径]
要测量 FID 分数,请运行./scripts/fid_score.py。我们利用了这里的 FID 的 pytorch 实现,它使用了 pytorch 初始模型中的预训练权重。
python ./scripts/fid_score.py --path [验证集路径, 模型输出路径] --gpu [要使用的 gpu id]
via: https://github.com/knazeri/edge-connect
雷锋网版权文章,未经授权禁止转载。详情见 转载须知 。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- GitHub 提权项目推荐
- 项目推荐:Micro8
- 一周 GitHub 开源项目推荐
- Github项目推荐 | retinaface 人脸识别
- 阿里淘系优质开源项目推荐
- 一周 GitHub 开源项目推荐:腾讯、美团、滴滴……
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
计算机组成(第 6 版)
Andrew S. Tanenbaum、Todd Austin / 刘卫东、宋佳兴 / 机械工业出版社 / 2014-8-19 / CNY 99.00
本书采用结构化方法来介绍计算机系统,书的内容完全建立在“计算机是由层次结构组成的,每层完成规定的功能”这一概念之上。作者对本版进行了彻底的更新,以反映当今最重要的计算机技术以及计算机组成和体系结构方面的最新进展。书中详细讨论了数字逻辑层、微体系结构层、指令系统层、操作系统层和汇编语言层,并涵盖了并行体系结构的内容,而且每一章结尾都配有丰富的习题。本书适合作为计算机专业本科生计算机组成与结构课程的教......一起来看看 《计算机组成(第 6 版)》 这本书的介绍吧!
图片转BASE64编码
在线图片转Base64编码工具
随机密码生成器
多种字符组合密码