| 第二届计图挑战赛-草图生成风景比赛

Jittor 随缘调参 REp2p

简介

本项目包含了第二届计图挑战赛计图 - 草图生成风景比赛的代码实现。本项目的特点是：在pix2pix的模型基础上引入自注意力机制，同时使用多级特征跳跃连接 。优化后的模型可在不损失mask accuracy的情况下显著提升图像的FID指标。

安装

本项目运行推理需求显存为10G，如要训练请根据显卡显存调整--batch_size大小，最低需求16G。 可在Titan RTX，RTX 3090上以默认设置进行训练

运行环境

• ubuntu 20.04 LTS
• python >= 3.7
• jittor >= 1.3.0

本项目基于开源机器学习框架计图(jittor)实现，计图安装方法参考 https://cg.cs.tsinghua.edu.cn/jittor/download/

安装依赖

执行以下命令安装 python 依赖

pip install -r requirements.txt

数据集

本项目使用的数据集由第二届计图人工智能挑战赛-风景图片生成赛题提供，下载地址. 将数据下载解压到 <root>/Data/ 下,训练数据存放于<root>/Data/train ，测试数据存放于<root>/Data/val。

预训练模型

本项目提供基于风景图片数据集训练好的参数模型，预训练模型模型下载地址为 下载地址 ，下载后放入目录 <root>/result/saved_models 下。

数据预处理

imgarg.py提供几种基本的数据增强方法对目标数据集进行扩充。 执行以下命令对数据预处理：

python imgarg.py ./Data/train/imgs
python imgarg.py ./Data/train/labels

注意：使用预处理扩充数据集可以提高生成图像质量,但会导致训练过程更不稳定,使用时去掉模型中spectralnorm的注释。

训练

运行以下命令进行训练：

python train.py

从检查点继续训练，运行

python train.py --epoch [epoch_number]

推理

生成测试集上的结果可以运行以下命令：

python test.py  --epoch [epoch_number]

致谢

此项目基于论文 Image-to-image translation with conditional adversarial networks 实现，代码主体结构在 jittor-gan 的基础上进行优化。