AttGAN TIP 2019年11月, arXiv 2017年11月

AttGAN的TensorFlow实现：通过仅改变您想要的来编辑面部属性。

示例结果

查看results.md获取更多结果，我们尝试了更高分辨率和更多属性（所有40个属性！）
分别反转13个属性

从左到右：输入、重建、秃头、刘海、黑发、金发、棕发、浓眉、眼镜、男性、微微张嘴、胡子、无胡须、苍白皮肤、年轻
<img src="https://yellow-cdn.veclightyear.com/0a4dffa0/56367dcd-cef9-435f-8598-bf358ffac0ea.jpg" width="95%">

使用方法

环境
- Python 3.6
- TensorFlow 1.15
- OpenCV, scikit-image, tqdm, oyaml
- 我们推荐使用Anaconda或Miniconda，然后您可以使用以下命令创建AttGAN环境
```
conda create -n AttGAN python=3.6

source activate AttGAN

conda install opencv scikit-image tqdm tensorflow-gpu=1.15

conda install -c conda-forge oyaml
```
- 注意：如果您创建了新的conda环境，请记得在执行任何其他命令之前激活它
```
source activate AttGAN
```
数据准备
- 选项1：CelebA-未对齐（质量高于对齐数据，10.2GB）
  - 下载数据集
    - img_celeba.7z（移动到**./data/img_celeba/img_celeba.7z**）：Google Drive或百度网盘（密码rp0s）
    - annotations.zip（移动到**./data/img_celeba/annotations.zip**）：Google Drive
  - 解压并处理数据
```
7z x ./data/img_celeba/img_celeba.7z/img_celeba.7z.001 -o./data/img_celeba/

unzip ./data/img_celeba/annotations.zip -d ./data/img_celeba/

python ./scripts/align.py
```
- 选项2：CelebA-HQ（我们使用CelebAMask-HQ的数据，3.2GB）
  - CelebAMask-HQ.zip（移动到**./data/CelebAMask-HQ.zip**）：Google Drive或百度网盘
  - 解压并处理数据
```
unzip ./data/CelebAMask-HQ.zip -d ./data/

python ./scripts/split_CelebA-HQ.py
```

运行AttGAN

训练（更多训练命令请参见examples.md）

\\ 对于CelebA
CUDA_VISIBLE_DEVICES=0 \
python train.py \
--load_size 143 \
--crop_size 128 \
--model model_128 \
--experiment_name AttGAN_128

\ 对于 CelebA-HQ CUDA_VISIBLE_DEVICES=0
python train.py
--img_dir ./data/CelebAMask-HQ/CelebA-HQ-img
--train_label_path ./data/CelebAMask-HQ/train_label.txt
--val_label_path ./data/CelebAMask-HQ/val_label.txt
--load_size 128
--crop_size 128
--n_epochs 200
--epoch_start_decay 100
--model model_128
--experiment_name AttGAN_128_CelebA-HQ


- 测试

    - **单个**属性编辑（反转）

        ```console
        \\ 对于 CelebA
        CUDA_VISIBLE_DEVICES=0 \
        python test.py \
        --experiment_name AttGAN_128

        \\ 对于 CelebA-HQ
        CUDA_VISIBLE_DEVICES=0 \
        python test.py \
        --img_dir ./data/CelebAMask-HQ/CelebA-HQ-img \
        --test_label_path ./data/CelebAMask-HQ/test_label.txt \
        --experiment_name AttGAN_128_CelebA-HQ
        ```


    - **多个**属性编辑（反转）示例

        ```console
        \\ 对于 CelebA
        CUDA_VISIBLE_DEVICES=0 \
        python test_multi.py \
        --test_att_names Bushy_Eyebrows Pale_Skin \
        --experiment_name AttGAN_128
        ```

    - 属性滑动示例

        ```console
        \\ 对于 CelebA
        CUDA_VISIBLE_DEVICES=0 \
        python test_slide.py \
        --test_att_name Pale_Skin \
        --test_int_min -2 \
        --test_int_max 2 \
        --test_int_step 0.5 \
        --experiment_name AttGAN_128
        ```

- 损失可视化

    ```console
    CUDA_VISIBLE_DEVICES='' \
    tensorboard \
    --logdir ./output/AttGAN_128/summaries \
    --port 6006
    ```

- 将训练好的模型转换为 .pb 文件

    ```console
    python to_pb.py --experiment_name AttGAN_128
    ```

- 使用训练好的权重

    - 替代训练权重（移动到 **./output/\*.zip**）

        - [AttGAN_128.zip](https://drive.google.com/file/d/1Oy4F1xtYdxj4iyiLyaEd-dkGIJ0mwo41/view?usp=sharing)（987.5MB）

            - *包括 G、D 和优化器的状态*

        - [AttGAN_128_generator_only.zip](https://drive.google.com/file/d/1lcQ-ijNrGD4919eJ5Dv-7ja5rsx5p0Tp/view?usp=sharing)（161.5MB）

            - *仅 G*

        - [AttGAN_384_generator_only.zip](https://drive.google.com/open?id=1scaKWcWIpTfsV0yrWCI-wg_JDmDsKKm1)（91.1MB）


    - 解压文件（以 AttGAN_128.zip 为例）

        ```console
        unzip ./output/AttGAN_128.zip -d ./output/
        ```

    - 测试（见上文）


- 自定义数据集示例

    - [AttGAN-Cartoon](https://github.com/LynnHo/AttGAN-Cartoon-Tensorflow)

## 引用

如果您在研究中发现 [AttGAN](https://ieeexplore.ieee.org/document/8718508?source=authoralert) 有用，请考虑引用：

    @ARTICLE{8718508,
    author={Z. {He} and W. {Zuo} and M. {Kan} and S. {Shan} and X. {Chen}},
    journal={IEEE Transactions on Image Processing},
    title={AttGAN: Facial Attribute Editing by Only Changing What You Want},
    year={2019},
    volume={28},
    number={11},
    pages={5464-5478},
    keywords={Face;Facial features;Task analysis;Decoding;Image reconstruction;Hair;Gallium nitride;Facial attribute editing;attribute style manipulation;adversarial learning},
    doi={10.1109/TIP.2019.2916751},
    ISSN={1057-7149},
    month={Nov},}