• Image-to-Image Translation with Conditional Adversarial Networks

1. Pre-trained Models

Trained on Facades for 200 epochs	pix2pix_facades.pth
Trained on Google Maps for 400 epochs	pix2pix_google_maps.pth

2. Sampling

• Test set of Facades dataset
  • 
• Test set of Google maps dataset
  • 

3. Implementation Details

1) Image Mean and STD

• Facades dataset의 Training set에 대해 Input image와 Output image 각각에 대해 Mean과 STD를 계산하면 다음과 같습니다.

  FACADES_INPUT_IMG_MEAN = (0.222, 0.299, 0.745)
  FACADES_INPUT_IMG_STD = (0.346, 0.286, 0.336)
  FACADES_OUTPUT_IMG_MEAN = (0.478, 0.453, 0.417)
  FACADES_OUTPUT_IMG_STD = (0.243, 0.235, 0.236)

• 반면 다음과 같이 설정하면 모델에 입력되는 모든 tensors의 값이 $[-1, 1]$의 값을 갖게 됩니다.

  FACADES_INPUT_IMG_MEAN = (0.5, 0.5, 0.5)
  FACADES_INPUT_IMG_STD = (0.5, 0.5, 0.5)
  FACADES_OUTPUT_IMG_MEAN = (0.5, 0.5, 0.5)
  FACADES_OUTPUT_IMG_STD = (0.5, 0.5, 0.5)

• 두 가지 Settings를 가지고 실험을 해 본 결과, 후자의 학습 속도가 전자보다 빨랐습니다.

2) Architecture

• self.norm = nn.InstanceNorm2d(out_channels, affine=True, track_running_stats=False)로 설정 시 다음과 같이 모델이 생성한 이미지가 다음과 같이 Blurry했습니다.
  • 
• self.norm = nn.InstanceNorm2d(out_channels, affine=False, track_running_stats=False)로 수정하자 이런 현상이 없어졌습니다.
• Instance norm은 원래 기본적으로 track_running_stats=False을 사용합니다.