相对于A榜和B榜的测试集(训练集都是相同的)，本项目的两个主要结果如下图。
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。本项目将pix2pix的生成器模型换成了pix2pixHD的全局生成器模型（G1生成器），效果相对于pix2pix有了很大的提升，图片变得更加清晰，纹理更加明显。代码中也包含了pix2pix的U-net模型和带跳跃连接的U-net模型可供选择，不同的生成器对生成图片的质量也有很大的影响。
本项目采用jittor的基本框架实现，具体的安装可以从这里查看jittor详细安装教程。
- ubuntu 20.04 LTS
- python >= 3.9
- jittor >= 1.3.4.14
执行以下命令安装 python 依赖
pip install -r requirements.txt
训练集可以点击这里进行下载，A榜的测试集可以点击这里下载，B榜的测试集可以点击这里下载。
训练集下载完成后导入<train>文件夹即可。
测试集下载完成后导入<val>文件夹即可。
注意！<train>和<val>文件夹目录如下:
├── train
│ ├── imgs
│ ├── labels
├── val
│ ├── labels
本项目训练在单块Teala A100上完成的，显存为40GB，平均每200轮训练所需要的时间为2天。本项目所需要的显存大概为17GB。
将训练集和测试集准备完成后可执行以下命令进行训练：
python pix2pix.py
单卡训练可运行以下命令：
bash scripts/train.sh
多卡训练可以运行以下命令：
bash scripts/train-multigpu.sh
本项目是pix2pix与pix2pixHD相结合的，由于代码能力有限，没有完全将pix2pixHD所有的东西结合起来，仅将pix2pix生成器修改为pix2pixHD的全局生成器
两个模型图具体如下。
如上图所示，pix2pixHD的生成器模型中的G1用到了pix2pix中的生成器。
此项目基于Image-to-Image Translation with Conditional Adversarial Networks（参考代码）和High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs 实现（参考代码）
另外也参考了jittor的官方基础库，点击这里可以查看详细的代码。
本项目也是依据jittor基础框架实现，点击这里可以详细查看jittor的源代码，点击这里可以查看将pytroch代码转化为jittor代码的详细教程。