STGAN 项目使用教程

1. 项目介绍

STGAN（Selective Transfer GAN）是一个用于任意图像属性编辑的统一选择性传输网络。该项目基于TensorFlow实现，旨在通过生成对抗网络（GAN）和编码器-解码器结构，实现高质量的图像属性编辑。STGAN通过选择性地传输差异属性向量，而不是使用目标属性向量，从而在保持图像质量的同时，增强了属性编辑的准确性。

2. 项目快速启动

环境准备

• TensorFlow（r1.4 - r1.12）
• Python 3.x
• matplotlib, numpy, scipy

数据准备

1. 下载CelebA数据集，并将图像放置在DATAROOT/img_align_celeba/*.jpg。
2. 将属性标签放置在DATAROOT/list_attr_celeba.txt。

训练模型

训练128x128分辨率图像

python train.py --experiment_name 128

训练384x384分辨率图像

python train.py --experiment_name 384 --img_size 384 --enc_dim 48 --dec_dim 48 --dis_dim 48 --dis_fc_dim 512 --n_sample 24 --use_cropped_img

测试模型

测试单个属性

python test.py --experiment_name 128 [--test_int 1.0]

测试多个属性

python test.py --experiment_name 128 --test_atts Pale_Skin Male [--test_ints 1.0 1.0]

属性强度控制

python test.py --experiment_name 128 --test_slide --test_att Male [--test_int_min -1.0 --test_int_max 1.0 --n_slide 10]

3. 应用案例和最佳实践

人脸属性编辑

STGAN在CelebA数据集上表现出色，能够高效地编辑人脸属性，如改变发型、年龄、性别等。通过调整属性向量，用户可以生成具有不同特征的人脸图像。

季节转换

STGAN还可以应用于图像的季节转换，例如将夏季的风景图像转换为冬季风格。通过训练模型，用户可以生成不同季节风格的图像，适用于多种应用场景。

4. 典型生态项目

AttGAN

AttGAN是STGAN的基础项目之一，提供了图像属性编辑的基本框架。STGAN在其基础上进行了改进，增强了属性编辑的准确性和图像质量。

IcGAN

IcGAN（Invertible Conditional GAN）是另一个与STGAN相关的项目，专注于条件生成对抗网络的研究。STGAN借鉴了IcGAN的部分思想，并在此基础上进行了创新。

FaderNet

FaderNet是一个基于自编码器的图像属性编辑网络，与STGAN类似，它也专注于图像属性的灵活编辑。STGAN在FaderNet的基础上，通过引入选择性传输单元，进一步提升了编辑效果。

通过这些生态项目的结合，STGAN在图像属性编辑领域取得了显著的进展，为用户提供了强大的工具和方法。