生成模型¶
CycleGAN (ICCV’2017)¶
CycleGAN (ICCV'2017)
@inproceedings{zhu2017unpaired,
title={Unpaired image-to-image translation using cycle-consistent adversarial networks},
author={Zhu, Jun-Yan and Park, Taesung and Isola, Phillip and Efros, Alexei A},
booktitle={Proceedings of the IEEE international conference on computer vision},
pages={2223--2232},
year={2017}
}
我们使用“FID”和“IS”指标来评估 CycleGAN 的生成性能。
| 算法 | FID | IS | 下载 |
|---|---|---|---|
| 官方 facades | 123.626 | 1.638 | - |
| 复现 facades | 118.297 | 1.584 | 模型 | 日志 |
| 官方 facades-id0 | 119.726 | 1.697 | - |
| 复现 facades-id0 | 126.316 | 1.957 | 模型 | 日志 |
| 官方 summer2winter | 77.342 | 2.762 | - |
| 复现 summer2winter | 76.959 | 2.768 | 模型 | 日志 |
| 官方 winter2summer | 72.631 | 3.293 | - |
| 复现 winter2summer | 72.803 | 3.069 | 模型 | 日志 |
| 官方 summer2winter-id0 | 76.773 | 2.750 | - |
| 复现 summer2winter-id0 | 76.018 | 2.735 | 模型 | 日志 |
| 官方 winter2summer-id0 | 74.239 | 3.110 | - |
| 复现 winter2summer-id0 | 73.498 | 3.130 | 模型 | 日志 |
| 官方 horse2zebra | 62.111 | 1.375 | - |
| 复现 horse2zebra | 63.810 | 1.430 | 模型 | 日志 |
| 官方 horse2zebra-id0 | 77.202 | 1.584 | - |
| 复现 horse2zebra-id0 | 71.675 | 1.542 | 模型 | 日志 |
| 官方 horse2zebra | 138.646 | 3.186 | - |
| 复现 zebra2horse | 139.279 | 3.093 | 模型 | 日志 |
| 官方 horse2zebra-id0 | 137.050 | 3.047 | - |
| 复现 zebra2horse-id0 | 132.369 | 2.958 | 模型 | 日志 |
| 官方平均值 | 95.935 | 2.444 | - |
| 复现平均值 | 95.102 | 2.427 | - |
注：随着更大的身份损失，图像到图像的转换会变得更加保守，这导致转换较少。原作者没有提及身份损失的最佳权重。因此，除了默认设置之外，我们还将身份损失的权重设置为 0（表示 id0）以进行更全面的比较。
Pix2Pix (CVPR’2017)¶
Pix2Pix (CVPR'2017)
@inproceedings{isola2017image,
title={Image-to-image translation with conditional adversarial networks},
author={Isola, Phillip and Zhu, Jun-Yan and Zhou, Tinghui and Efros, Alexei A},
booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
pages={1125--1134},
year={2017}
}
我们使用 FID 和 IS 指标来评估 pix2pix 的生成表现。
| 算法 | FID | IS | 下载 |
|---|---|---|---|
| 官方 facades | 119.135 | 1.650 | - |
| 复现 facades | 127.792 | 1.745 | 模型 | 日志 |
| 官方 maps-a2b | 149.731 | 2.529 | - |
| 复现 maps-a2b | 118.552 | 2.689 | 模型 | 日志 |
| 官方 maps-b2a | 102.072 | 3.552 | - |
| 复现 maps-b2a | 92.798 | 3.473 | 模型 | 日志 |
| 官方 edges2shoes | 75.774 | 2.766 | - |
| 复现 edges2shoes | 85.413 | 2.747 | 模型 | 日志 |
| 官方平均值 | 111.678 | 2.624 | - |
| 复现平均值 | 106.139 | 2.664 | - |
注：我们严格遵守论文第3.3节中的设置：
“At inference time, we run the generator net in exactly the same manner as during the training phase. This differs from the usual protocol in that we apply dropout at test time, and we apply batch normalization using the statistics of the test batch, rather than aggregated statistics of the training batch.”
即使用 model.train() 模式，因此可能会导致每次推理结果略有不同。