DualGan

使用Pytorch实现对偶生成对抗网络来实现图像去雾

效果展示

loss

使用说明

DualGan含有两个生成器和辨别器
本项目中为同样结构，生成器为U-Net，辨别器为PatchGan的辨别器
G_A：有雾生成无雾
G_B: 无雾生成有雾
D_A: 辨别G_B生成的有雾图像，输入为6通道
D_B: 辨别G_A生成的无雾图像，输入为6通道
train.py用来训练网络
predict.py用来预测无雾图像
预训练好的模型在model下

训练方法

将成对的图片分别放在clear和hazy下，并放在data_path下
然后运行train.py并输入需要的参数即可
保存路径--save_path, default="./save/"
训练数据路径--data_path, default="../Data/"
训练数据清晰图像路径--clear， default="clear"
训练数据有雾图像路径--hazy", default="hazy"
--image_size, default=256
--batch_size, default=4
保存/加载G_A路径--g_a_path, default="generator_a.pkl"
保存/加载G_B路径--g_b_path, default="generator_b.pkl"
保存/加载D_A路径--d_a_path, default="discriminator_a.pkl"
保存/加载D_B路径--d_b_path, default="discriminator_b.pkl"

预测方法

将要训练的图片放到data_path的hazy下
运行predict.py并输入需要的参数即可
ps:dual.py为未拆分的初始代码，训练、预测结果均出自dual.py，未测试拆分后代码的可行性
由于生成器文件过大，model中只包含了辨别器训练好的模型