어느 모델을 돌릴 때나 본인의 환경에 맞게 파라미터를 사용하는데 cyclegan도 마찬가지이다.보통은 유명한 모델일수록 model에 관련된 설명이 github에 잘 나와있기 때문에 cyclegan도 dataset 경로, 모델 돌릴 때의 tips, 파라미터 설명 등이 github에 아주 잘 올라와 있지만,cyclegan을 train/test 할 때 많이 사용하는 파라미터를 기록용으로 옮겨 적어두고자 한다.  각 옵션들은 base_options.py, train_options.py, test_options.py 에 나눠져 있다. base options--dataroot: 데이터셋 이미지 경로 지정. trainA, trainB, valA, valB 등의 하위 폴더가 있어야 함default 값: 없음 (requ..

오늘은 StyleGAN이 등장한 논문"A Style-Based Generator Architecture for Generative Adversarial Networks"을 리뷰해보려고 합니다.  이 글은 나동빈님의 https://www.youtube.com/watch?v=HXgfw3Z5zRo 리뷰 영상을 참고하여 작성하였습니다. StyleGAN은 이미지 생성 네트워크 중에서 뛰어난 성능을 보이는 아키텍처를 제안합니다.  우선 StyleGAN을 등장시킨 Style-Based Generator Architecture for Generative Adversarial Networks의 주요 contribution은 다음과 같습니다. PGGAN을 기반으로 style transfer 분야의 아이디어를 활용해 고성능..

만약 내가 찍은 일상사진에 고흐 혹은 피카소의 작품 스타일을 적용하고 싶다면 어떻게 해야 할까? 인공지능의 가장 기본적인 내용으로 생각해 보자면 일반적인 사진과 미술 작품 스타일의 그림 여러 쌍을 supervised learning으로 학습시킬 수 있을 것이다.  하지만, 생각해 보면 사진과 미술 작품이 쌍으로 존재하는 데이터셋을 찾기란 쉽지 않다. 사실 거의 없다고 봐도 무방하다. 그렇다면 어떤 방식을 이용해서 유명한 화가의 스타일을 내 사진에 적용할 수 있을까? CycleGAN을 이용하면 가능하다.  CycleGAN을 이용하면 다음 그림과 같이 unpaired 된 도메인 간 style transfer가 가능하다.   CycleGAN은 'Unpaired Image-to-Image Translation ..