pytorch-AdaIN

这是一篇论文《使用自适应实例归一化实现实时任意风格迁移》[Huang+, ICCV2017]的非官方 PyTorch 实现。 我非常感谢作者在 Torch 上的原始实现，它非常有用。

要求

请通过 pip install -r requirements.txt 安装所需依赖

• Python 3.5+
• PyTorch 0.4+
• TorchVision
• Pillow

（可选，用于训练）

• tqdm
• TensorboardX

使用方法

下载模型

从发布页下载 decoder.pth / vgg_normalized.pth 并将它们放在 models/ 目录下。

测试

使用 --content 和 --style 分别提供内容图像和风格图像的路径。

CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content input/content/cornell.jpg --style input/style/woman_with_hat_matisse.jpg

你也可以使用 --content_dir 和 --style_dir 在内容和风格图像的目录上运行代码。它将保存内容和风格的所有可能组合到输出目录。

CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content_dir input/content --style_dir input/style

这是通过指定 --style 和 --style_interpolation_weights 选项混合四种风格的示例。

CUDA_VISIBLE_DEVICES=<gpu_id> python test.py --content input/content/avril.jpg --style input/style/picasso_self_portrait.jpg,input/style/impronte_d_artista.jpg,input/style/trial.jpg,input/style/antimonocromatismo.jpg --style_interpolation_weights 1,1,1,1 --content_size 512 --style_size 512 --crop

其他一些选项：

• --content_size：内容图像的新（最小）尺寸。如果设置为 0 则保持原始尺寸。
• --style_size：风格图像的新（最小）尺寸。如果设置为 0 则保持原始尺寸。
• --alpha：调整风格化程度。应该是介于 0.0 和 1.0（默认）之间的值。
• --preserve_color：保留内容图像的颜色。

训练

使用 --content_dir 和 --style_dir 分别提供内容和风格图像的目录。

CUDA_VISIBLE_DEVICES=<gpu_id> python train.py --content_dir <content_dir> --style_dir <style_dir>

有关更多详细信息和参数，请参阅 --help 选项。

我在发布页上分享了由此代码训练的模型 iter_1000000.pth。

参考文献

• [1]: X. Huang and S. Belongie. "Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization.", in ICCV, 2017.
• [2]: Torch 原始实现