第三届计图挑战赛赛题一：风格及语义引导的风景图片生成 第九名方案 基于jittor实现的面向风格迁移的SEAN方法（改进版）

简介

| 简单介绍项目背景、项目特点

本项目包含了第三届计图挑战赛赛题一 - 风格及语义引导的风景图片生成比赛的代码实现。本项目的特点是：采用了改进后的SEAN方法对10000张训练集图像进行训练，取得了良好的图像生成质量和风格迁移效果。

安装

| 介绍基本的硬件需求、运行环境、依赖安装方法

本项目可在 1 张 3090 上运行，batchsize=3训练110个epoch的时间约96小时。也可使用mpi指令在多卡上加速训练。 4090训练速度更快，但不支持多卡并行训练。 以下为本项目在4090上训练时的性能测试： batchsize=1 占用显存12.5G 约 41min/epoch batchsize=2 占用显存16.4G 约 30min/epoch batchsize=3 占用显存20.3G 约 25min/epoch

运行环境

• python >= 3.7
• opencv_python==4.8.0.76
• jittor==1.3.7.7

安装依赖

执行以下命令安装 python 依赖

pip install -r requirements.txt

预训练模型

预训练模型模型下载地址为 https://pan.baidu.com/s/1uuA4x24eMkr89P1gDUu-oA?pwd=3r4r ，下载后放入目录 <root>/pretrained/下， 我们在链接中同时也提供了本次比赛提交的最佳模型，同样下载后放入目录<root>/checkpoint/ 。

训练

｜ 介绍模型训练的方法

单卡训练可运行以下命令：

python train.py

多卡训练可以运行以下命令：

CUDA_VISIBLE_DEVICES="0,1" mpirun --allow-run-as-root -np 2 python3.7 -m train

推理

｜ 介绍模型推理、测试、或者评估的方法

生成测试集上的结果可以运行以下命令：

python test.py

致谢

| 对参考的论文、开源库予以致谢，可选

此项目基于论文 SEAN: Image Synthesis With Semantic Region-Adaptive Normalization 实现，部分代码参考了 SEAN和 Jittor。