文件名称：用官方风格雇用员工
文件大小：1.12MB
文件格式：ZIP
更新时间：2024-02-29 16:40:42
Python
StyleGAN2-ADA —官方PyTorch实施 用有限的数据训练生成对抗网络Tero Karras，Miika Aittala，Janne Hellsten，Samuli Laine，Jaakko Lehtinen，Timo Aila 摘要：使用太少的数据来训练生成对抗网络（GAN）通常会导致判别器过度拟合，从而导致训练分散。 我们提出了一种自适应鉴别器增强机制，该机制可显着稳定有限数据环境中的训练。 该方法不需要更改丢失功能或网络体系结构，并且适用于从头训练和微调另一个数据集上的现有GAN时。 我们在几个数据集上证明，仅使用几千个训练图像就可能获得良好的结果，并且通常将StyleGAN2的结果与少几个数量级的图像相匹配。 我们希望这将为GAN开辟新的应用程序域。 我们还发现，事实上，广泛使用的CIFAR-10只是一个有限的数据基准，并将记录FID从5.59提高到2.42。
【文件预览】：
hiresfine-with-official-stylegan2-main
----calc_metrics.py(8KB)
----Dockerfile(897B)
----training()
--------augment.py(26KB)
--------networks.py(37KB)
--------dataset.py(8KB)
--------__init__.py(435B)
--------training_loop.py(21KB)
--------loss.py(7KB)
----.gitignore(21B)
----README.md(25KB)
----metrics()
--------perceptual_path_length.py(5KB)
--------kernel_inception_distance.py(2KB)
--------inception_score.py(2KB)
--------frechet_inception_distance.py(2KB)
--------precision_recall.py(4KB)
--------metric_utils.py(12KB)
--------__init__.py(435B)
--------metric_main.py(6KB)
----torch_utils()
--------custom_ops.py(6KB)
--------misc.py(11KB)
--------persistence.py(9KB)
--------__init__.py(438B)
--------ops()
--------training_stats.py(10KB)
----docs()
--------train-help.txt(4KB)
--------dataset-tool-help.txt(2KB)
--------stylegan2-ada-teaser-1024x252.png(531KB)
--------license.html(5KB)
--------stylegan2-ada-training-curves.png(496KB)
----train.py(23KB)
----legacy.py(16KB)
----style_mixing.py(5KB)
----dnnlib()
--------util.py(16KB)
--------__init__.py(478B)
----generate.py(5KB)
----docker_run.sh(1KB)
----projector.py(9KB)
----LICENSE.txt(4KB)
----dataset_tool.py(17KB)