基于改进LPTN网络的多任务生成模型

项目需求：

开发一个人体肤色均匀功能

现有技术参考：

LPTN生成网络，实现单维度图像的生成

https://github.com/csjliang/LPTN

存在问题：

如何让模型区分不同维度，实现多维度的生成。如：一共有五种肤色选择，如何通过一个模型实现按需生成，希望生成白色或者棕色皮肤等。而非每一个维度训练一个模型，浪费资源的占用。

解决思路：

参考stargan方法，改造LPTN网络的生成器和判别器，将生成器的输入从1个（图像）变为2个（图像加标签）。标签分类和生成图像真伪判别公用一个判别器，除了判断生成图像的真伪外，返回图像的类别。

1.数据准备与加载

1）首先拷贝LPTN公开代码到自己的工程，配置好相关的环境（不再赘述）

2）准备数据集，在datasets/my_data（没有的自己创建）文件夹底下创建train和test两个文件夹，在train和test文件夹底下分别再创建A和B文件夹，A文件夹中存放原始图像数据，B中存放需要生成的目标图像数据（标签图像），注意A和B文件夹底下图像名称需要对应匹配。保证数据中人体皮肤占比大，否则生成效果不理想。

3）如何给每个图像输入对应的标签？拟在读取图像数据时根据每个图像的名称进行标签添加。为每张图像的名称添加对应的标签前缀，如：目前图像是白色的则添加“white_"前缀。前缀添加脚本代码如下：

import os


def add_prefix_to_images(folder_path, prefix):
    # 遍历文件夹
    for filename in os.listdir(folder_path):
        # 检查文件是否为图片（这里简单判断后缀为.jpg）
        if filename.endswith(".jpg") or filename.endswith(".png"):
            # 构建完整的文件路径
            old_path = os.path.join(folder_path, filename)

            # 构建新的文件名，添加指定前缀
            new_filename = f"{prefix}_{filename}"
            new_path = os.path.join(folder_path, new_filename)

            # 重命名文件
            os.rename(old_path, new_path)
            print(f"Renamed: {filename} to {new_filename}")

#图像存储路径
folder_path_A = r'E:\chen\skin_512\test\A'
prefix = "white"
# 调用函数
add_prefix_to_images(folder_path_A, prefix)

4）修改LPTN代码中codes/data/paired_image_dataset.py文件，为数据加载时获取图像的标签，定义extract_label_from_filename方法，根据“_”切割方法，切割出图像的标签，定义label_to_onehot方法，将标签转换为onehot编码，代码如下：