装逼一步到位！GauGAN代码解读来了

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：游璐颖，福州大学，Datawhale成员

AI神笔马良

如何装逼一步到位？从涂鸦到栩栩如生，英伟达的神器GauGAN来了，拥有神笔马良之手，五步画马就是这么简单。下面让我们一起解析GauGAN的代码实践过程。

GauGAN简介

英伟达的“神笔马良“，可以把涂鸦变成风景画，如同下图：

这个模型可以将一张涂鸦（语义图）生成相应的一张真实图，不少原画师已经用来画背景图了，它是怎么做到的？我们今天就来解读GanGAN代码，并使用相关数据集进行实验。

代码解读

开始前，先看下模型的创新思路：作者假设，如果语义图输入单个类别，传统的归一化层（normalization layer）倾向于“抹除”语义信息，因此作者提出了SPADE（SPatially-Adaptive (DE)normalization） 方法，GauGAN直接使用语义mask对输出激活值进行建模，即提出的空间自适应层。并且其方法可以应对各种使用语义图的生成任务。

环境配置

将SPADE代码克隆至本地