add VAN
本项目包含了第二届计图挑战赛中Benchmark小组对赛道一风景生成比赛的代码实现。
本项目的特点是：基于GauGAN的方法，添加了VAN的结构与UNet的想法在jittor框架下给出代码实现，并运用在清华大学计算机系图形学实验室从Flickr官网收集的1万两千张高清（宽1024、高768）的风景图片及其语义图上进行训练和测试。评测时各项分数为：
本项目可在 3090 上运行，训练时间约为 6 天。
执行以下命令安装 python 依赖
pip install -r requirements.txt
可以运行python train.py --input_path train数据路径执行训练
python train.py --input_path train数据路径
可以运行python test.py --input_path train数据路径 --output_path ./results执行测试
python test.py --input_path train数据路径 --output_path ./results
此项目GauGAN部分基于论文 Semantic Image Synthesis with Spatially-Adaptive Normalization 实现，VAN部分基于论文 Visual Attention Network 实现。UNet部分代码以及代码主框架参考了提供的baseline。此外，也感谢清华大学2022年春季计算机图形学教学团队提供的帮助与在算力上的支持。
第二届计图挑战赛赛道一Benchmark小组的开源代码。基于GauGAN在jittor框架下完成了一个风景图片生成器。
©Copyright 2023 CCF 开源发展委员会 Powered by Trustie& IntelliDE 京ICP备13000930号
基于VAN与GauGAN的风景图片生成器
简介
本项目包含了第二届计图挑战赛中Benchmark小组对赛道一风景生成比赛的代码实现。
本项目的特点是：基于GauGAN的方法，添加了VAN的结构与UNet的想法在jittor框架下给出代码实现，并运用在清华大学计算机系图形学实验室从Flickr官网收集的1万两千张高清（宽1024、高768）的风景图片及其语义图上进行训练和测试。评测时各项分数为：
配置环境
本项目可在 3090 上运行，训练时间约为 6 天。
运行环境
安装依赖
执行以下命令安装 python 依赖
训练&测试
可以运行
python train.py --input_path train数据路径执行训练可以运行
python test.py --input_path train数据路径 --output_path ./results执行测试致谢
此项目GauGAN部分基于论文 Semantic Image Synthesis with Spatially-Adaptive Normalization 实现，VAN部分基于论文 Visual Attention Network 实现。UNet部分代码以及代码主框架参考了提供的baseline。此外，也感谢清华大学2022年春季计算机图形学教学团队提供的帮助与在算力上的支持。