CelebAMask-HQ CelebAMask-HQ是一个大规模的面部图像数据集，通过遵循CelebA-HQ从CelebA数据集中选择了30,000张高分辨率面部图像。 每个图像具有对应于CelebA的面部属性的分割蒙版。 CelebAMask-HQ口罩采用512 x 512尺寸手动注释，分为19类，包括所有面部组件和配件，例如皮肤，鼻子，眼睛，眉毛，耳朵，嘴巴，嘴唇，头发，帽子，眼镜，耳环，项链，脖子和布。 CelebAMask-HQ可用于训练和评估人脸解析，人脸识别以及用于人脸生成和编辑的GAN的算法。 如果您需要图像的身份标签和属性标签，请向发送请求。 交互式人脸图像处理演示 样本图片 CelebAMask-HQ的人脸操纵模型 CelebAMask-HQ可用于多个研究领域，包括：面部图像处理，面部分析，面部识别和面部幻觉。 下面展示了一个关于交互式面部图像处理的应用程

pix2pix | | 火炬实现，用于学习从输入图像到输出图像的映射，例如： 条件对抗网络的图像到图像翻译，，， CVPR，2017年。 在某些任务上，可以在较小的数据集上相当快地获得不错的结果。 例如，要学习生成立面（如上所示的示例），我们仅对400张图像进行了约2个小时的训练（在单个Pascal Titan X GPU上）。 但是，对于更棘手的问题，重要的是要对更大的数据集进行训练，并且需要花费数小时甚至数天的时间。 注意：请检查我们的pix2pix和CycleGAN的实现。 PyTorch版本正在积极开发中，并且可以产生与该Torch版本相当或更好的结果。 建立 先决条件 L

通过预训练模型进行AttnGAN推理 运行推断 涉及三个步骤。 创建容器（可选地，选择cpu或gpu dockerfile： docker build -t "attngan" -f dockerfile.cpu . 运行容器： docker run -it --name attngan -p 8888:8888 attngan bash 运行jupyter笔记本。 学分 所有代码均已从借用。 此回购协议只是将评估api简化为一个Jupyter笔记本，而不是托管在Azure上。

聚苯乙烯 我们的CVPR 2020口头文章“ ”的代码。 ，，陈高，曹洁，何然，，。 该代码已由进一步修改。 除了原始算法外，我们还使用Laplace变换添加了高分辨率面部支持。 检查清单 更多结果 视频演示 部分化妆转移示例 插补妆容转移示例 在GPU上推断 训练守则 要求 该代码已在Ubuntu 16.04，Python 3.6和PyTorch 1.5上进行了测试。 对于人脸解析和界标检测，我们使用dlib进行快速实现。 如果您使用gpu进行推理，请确保对dlib具有gpu支持。 我们新收集的Makeup-Wild数据集 在下载Make-Wild（MT-Wild）数据集 测试 运行python3 demo.py或python3 demo.py --device cuda进行gpu推断。 火车 从或下载培训数据，然后将其移动到名为“ data”的子目录中。 （对于百度云用户，您可以在下

Simple_GAN：GAN：通过简单生成对抗网络生成高斯分布的示例

焦点频率损失 该存储库将提供以下论文的正式代码： 图像重建和合成的焦点频率损失，，和arXiv预印本，2020年。 摘要：由于生成模型的发展，图像重建和合成取得了显着进展。 但是，实际图像和生成的图像之间仍然存在间隙，尤其是在频域中。 在这项研究中，我们表明，在频域中缩小间隙可以进一步改善图像重建和合成质量。 我们提出了一种新颖的焦点频率损耗，它可以使模型自适应地关注那些难以通过对简单频率分量进行加权来合成的频率分量。 这个目标函数是对现有空间损耗的补充，由于神经网络的固有偏差，对重要频率信息的丢失提供了很大的阻抗。 我们展示了聚焦频率损失在感知质量和定量性能方面的多功能性和有效性，以改善诸如VAE，pix2pix和SPADE等流行模型。 我们还将在StyleGAN2上展示其潜力。 更新 [12/2020]焦点频率损失在arXiv上发布。 代码 该代码将公开提供。 敬请期待。 结果

密码 CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ， 引用这项工作 @inproceedings{ n.2018unsupervised, title={Unsupervised Cipher Cracking Using Discrete {GAN}s}, author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Osama and Lukasz Kaiser}, booktitle={Internatio

旧照片还原（官方PyTorch实施） | | | | :fire: 使旧照片重现生命，CVPR2020（口服） 通过深潜空间转换恢复旧照片，正在审查PAMI 1 ，2 ，3 ，4 ，2 ，1 ，2 1香港城市大学， 2 Microsoft亚洲研究， 3 Microsoft Cloud AI， 4 USTC 这个项目的笔记 该代码源自我们的研究项目，目的是演示研究思路，因此我们并未从产品角度对其进行优化。 而且，我们将花费时间来解决一些常见问题，例如内存不足问题，分辨率受限，但不会在工程方面涉及太多问题，例如推理速度加快，fastapi部署等。顶一下。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。的的的的的的的的话。。。。。。。。。。。

[英语] 这个例子展示了如何训练一个条件生成对抗网络（CGAN）来生成数字图像，这个demo是基于Matlab官方文档Train Conditional Generative Adversarial Network（CGAN）创建的https://jp.mathworks.com/help/deeplearning/ug/train-conditional-generative-adversarial-network.html [日本人]在这个demo中，手写数字是由Conditional GAN（Generative Adversarial Network）生成的。可以通过标签信息+图像学习网络，生成图像时添加标签信息，指定要生成的图像的类别。

U-Net GAN PyTorch PyTorch实施CVPR 2020论文“用于生成对抗网络的基于U网络的鉴别器”。 论文和补充资料可以在找到。 别忘了看一下补充文件（可以在此处找到Tensorflow FID（表S1））。 该代码允许用户重现和扩展研究报告的结果。 报告，复制或扩展结果时，请引用上述论文。 设置 从提供的unetgan.yml文件创建conda环境“ unetgan”。 可以使用training_scripts文件夹中提供的脚本来复制实验（必须手动设置实验文件夹和数据集文件夹）。 争论 解释 --unconditional 如果数据集没有类，请使用此选项（例如CelebA）。 --unet_mixup 使用CutMix。 --slow_mixup 对CutMix增强损失使用预热。 --slow_mixup_epochs 预热的时期数 --full_ba