基于Pytorch实现对偶生成对抗网络来实现图像去雾python源码+文档说明+模型.zip

# 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 <img src="https://github.com/yang-starry-sky/DualGan/blob/main/test_data/1403_4.png" width="512px"><img src="https://github.com/yang-starry-sky/DualGan/blob/main/predict/1403_4.jpg" width="512px"> <img src="https://github.com/yang-starry-sky/DualGan/blob/main/test_data/1404_7.png" width="512px"><img src="https://github.com/yang-starry-sky/DualGan/blob/main/predict/1404_7.jpg" width="512px"> <img src="https://github.com/yang-starry-sky/DualGan/blob/main/test_data/1408_10.png" width="512px"><img src="https://github.com/yang-starry-sky/DualGan/blob/main/predict/1408_10.jpg" width="512px"> loss <img src="https://github.com/yang-starry-sky/DualGan/blob/main/loss.png" width="512px"> ## 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