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
-
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。 -
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。 -
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。 -
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,。 -
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。