六月十八工作总结

1.pycharm进行远程连接

2.

修改interpreters的配置路径



注意：web path不要空/。

• 务必注意Python interpreter path的选择 /home/lifei/anaconda3/bin/python3.7
• Deployment中的mapping也映射好关系
• Tool里面也有相关的配置选项
• 
• deplyment里面的选项得有亮的！
  
• Start SSH session 选项调用相关的对话框！
  
• 有一个不自动上传的地方，先不起来在哪里设置的了.
• 可以选择勾选或是取消勾选
• 至于这个Sync Folders中的Remote Path的更改在后面的应用和修改方式，可以需要后续再看看吧。
  
• 至于相关conda的env的设置后续涉及相关project再进行备注登记。

2.关于SUIECR的相关路径设置

之前出现过这个问题，此处进行
备注并进行警戒，要复盘及备注记忆。

// An highlighted block
cv2.imwrite(folder + '/OutputImages/' + prefix + '_CLAHE.jpg', sceneRadiance)
#cv2.imwrite('Temps/' + prefix + '_CLAHE.jpg', sceneRadiance)

3.相关论文阅读

1. Image Processing Using Multi-Code GAN Prior（for BJ General Program）
   Multi-Code GAN
   和第一篇文章是相同团队的作品，所以研究内容也是一脉相承。该文章主要讲利用已经训练好额GAN网络对训练集不可见domain图像的重构，同样也是在styleGAN和proGAN上进行试验的。由于单一噪声学习到的是训练集的分布，所以为了完成对未知domain图像的重构，作者采用多个噪声输入。作者认为“每一个噪声无法重构完整的图像，但是能够重构出图像的一部分内容，所以多个噪声联合，便能够重构出完整的图像”。当然，如果在噪声域进行联合，则依然跳不出噪声的分布，所以是在生成器的中间层，多特征进行融合。最终效果也是非常好，对于不可见图像完成逼真的重构。该方法可以作为无监督的方法实现图像的超分、去噪、上色等等。具有较大的应用价值，强烈推荐。

2. MSG-GAN: Multi-Scale Gradient GAN for Stable Image Synthesis.(for BJ General Program）
   MSG-GAN
   这篇文章和proGAN比较类似，不同的是proGAN是逐层渐进训练的，而该方法是每一层都约束，由于该文章比较早就挂出来了，网上讲解的有很多。这里便不做过多介绍。

3. From Patches to Pictures (PaQ-2-PiQ): Mapping the Perceptual Space of Picture Quality
   PaQ-2-PiQ
   严格来说，这并不是一篇GAN的文章。而是一种图像质量的评价方法，近年来已经有很多文章研究真实的感知损失，替代在一些情况下容易失效的L1和L2 Loss。而我们知道在GAN的训练中，除了GANloss之外，其他的Loss也同样重要，所以研究感知损失，也是和GAN息息相关的。

4. A Characteristic Function Approach to Deep Implicit Generative Modeling.Arxiv
   该文章类似于WGAN-GP，讲的是GAN的基础架构,。

5. Augmenting Colonoscopy using Extended and Directional CycleGAN for Lossy Image Translation.
   paper
   主要是cycleGAN在医学图像转换中的应用，但是文章提出的训练技巧在所有的cycleGAN相关任务中应该都能够有着较好的应用，对于使用cycleGAN的人还是值得一看的。

本小节主要引用https://blog.csdn.net/lgzlgz3102/article/details/106346168

• 个人感觉StyleGAN还是很重要的，proGAN 相关的latent space还是要多理解，至于multi-domain可能自己还是太。。。继续成长吧。