AttentionGAN

用注意力机制精准控制图像变换区域，让生成结果更自然

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 99 🐛 待处理 19 👀 关注 9

GitHub ↗

GitHub 星标 ★ 686

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，无在线服务，需自行部署，完全免费。

项目预览

AttentionGAN 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队Ha0Tang

GitHubhttps://github.com/Ha0Tang/AttentionGAN

定价模式🏷️完全免费

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型adversarial-networks,attention-model,computer-vision,cyclegan,deep-learning,gans,geometry,ijcnn,image-generation,image-to-image-translation,image-translation,multi-domain,pytorch,unpaired

GitHub 星标★ 686

上线时间2019-07-09 00:00:00

代码更新2023-07-06

仓库体积211.8 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

AttentionGAN是一个基于生成对抗网络（GAN）的无配对图像到图像翻译模型，同时支持多域图像转换。它通过引入注意力机制，在训练过程中自动学习区分前景和背景，从而将生成任务分解为内容变换和形状变换两个子任务。该模型在CycleGAN的基础上改进，能够更精确地控制图像中需要变换的区域，减少背景干扰，提升生成图像的语义一致性和视觉质量。项目提供了完整的训练和测试代码，支持多种数据集，并包含预训练模型。其核心能力在于解决无配对数据下的图像翻译问题，尤其适用于需要局部编辑或保留背景细节的场景，如物体形状变换、季节转换等。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 686

技术标签

computer-vision cyclegan deep-learning gans image-generation

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 70 分钟部署方式：本地安装 5 步

环境要求

CUDA GPU
Python 3.8+
公开数据集

安装与启动步骤

1克隆仓库

图像到图像的转换模型，核心是前景与背景双注意力。
```
git clone https://github.com/Ha0Tang/AttentionGAN
```
2装依赖

仓库分别给了 pip 与 conda 两条路径，选一条走完。
```
pip install -r requirements.txt
```
3下数据集

脚本会下载公开数据集，注意磁盘与网络。
```
sh ./datasets/download_cyclegan_dataset.sh horse2zebra
```
4训练

训练脚本参数默认值可用，显存不足调 batch。
```
sh ./scripts/train_attentiongan.sh
```
5测试与下预训练模型

先下官方模型看效果，再对比自己训练的。
```
sh ./scripts/download_attentiongan_model.sh horse2zebra
```