[更多无监督学习的维度](https://github.com/LynnHo/EigenGAN-Tensorflow/blob/main/./results.md

<p align="center"> EigenGAN (ICCV 2021) <br> _视频 </br> </p>

• EigenGAN: GANs的分层特征学习的TensorFlow实现

• 架构图

  <p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/5475a5b6-5e08-4ad2-8387-e9e4eae1ad91.svg" width="100%" /> </p>

• 流形视角

  <p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/84cb06a7-6c2c-48ed-8938-4f5d09d236bc.svg" width="100%" /> </p>

使用方法

• 环境要求

  • Python 3.6

  • TensorFlow 1.15

  • OpenCV, scikit-image, tqdm, oyaml

• 我们推荐使用 Anaconda 或 Miniconda，然后你可以使用以下命令创建环境

conda create -n EigenGAN python=3.6

source activate EigenGAN

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

conda install -c conda-forge oyaml

• 注意：如果你创建了一个新的conda环境，记得在执行任何其他命令之前先激活它

source activate EigenGAN

• 数据准备

  • CelebA-未对齐 (10.2GB，质量比对齐数据更高)

    • 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

    • 解压缩并处理数据

      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

  • 动漫

    • 下载数据集

      mkdir -p ./data/anime
      
      rsync --verbose --recursive rsync://176.9.41.242:873/biggan/portraits/ ./data/anime/original_imgs

    • 处理数据

      python ./scripts/remove_black_edge.py

• 运行（支持多GPU）

  • 在CelebA上训练

    CUDA_VISIBLE_DEVICES=0,1 \
    python train.py \
    --img_dir ./data/img_celeba/aligned/align_size(572,572)_move(0.250,0.000)_face_factor(0.450)_jpg/data \
    --experiment_name CelebA

  • 在动漫数据集上训练

    CUDA_VISIBLE_DEVICES=0,1 \
    python train.py \
    --img_dir ./data/anime/remove_black_edge_imgs \
    --experiment_name Anime

  • 测试

    CUDA_VISIBLE_DEVICES=0 \
    python test_traversal_all_dims.py \
    --experiment_name CelebA

  • 损失可视化

    CUDA_VISIBLE_DEVICES='' \
    tensorboard \
    --logdir ./output/CelebA/summaries \
    --port 6006

• 使用训练好的权重

  • 训练好的权重（移动到 ./output/*.zip）

    • CelebA.zip

    • Anime.zip

  • 解压文件（以CelebA.zip为例）

    unzip ./output/CelebA.zip -d ./output/

  • 测试（见上文）

引用

如果你在研究中发现 EigenGAN 有用，请考虑引用：

@inproceedings{he2021eigengan,
  title={EigenGAN: Layer-Wise Eigen-Learning for GANs},
  author={He, Zhenliang and Kan, Meina and Shan, Shiguang},
  booktitle={International Conference on Computer Vision (ICCV)},
  year={2021}
}