CycleGAN_ssim

用 SSIM 损失改进 CycleGAN，生成更清晰的图像

CycleGAN_ssim 是一个基于 CycleGAN 的图像生成改进项目，核心目标是解决 CycleGAN 生成图像视觉质量不佳的问题。它通过对比多种相似度损失函数（如 SSIM、MS-SSIM 等）在循环一致性重建中的表现，探索如何提升生成图像的感知质量。项目提供了完整的训练和评估流程，支持自定义损失函数组合，并附有实验结果展示页面。其技术栈涵盖深度学习、计算机视觉和图像处理，适合用于风格迁移、图像修复等任务。项目处于早期阶段，代码结构清晰，但文档和社区支持尚待完善。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 83

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队Tandon-A

所属国家

官网地址

GitHubhttps://github.com/Tandon-A/CycleGAN_ssim

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型computer-graphics,computer-vision,cyclegan,deep-learning,gan,generative-adversarial-network,image-generation,image-manipulation,image-to-image-translation,image-translation,perceptual-losses,perceptual-similarity,ssim-loss,tensorflow

GitHub 星标★ 83

30天Star增速

HF 下载量

上线时间2018-04-26 00:00:00

最近更新2026-05-04 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

对比多种相似度损失函数，实验设计系统，结果可视化清晰
代码基于 PyTorch，易于修改和扩展自定义损失
提供在线演示页面，直观展示不同损失下的生成效果

不足之处

文档/社区待观察
项目维护不活跃，依赖旧版 PyTorch 可能兼容性差

适用场景

研究 CycleGAN 损失函数对图像质量的影响
需要高保真图像风格迁移的场景
教学演示生成对抗网络的损失设计

替代项目

CycleGAN、pix2pix、MUNIT

项目介绍

CycleGAN_ssim 是图像领域的开源项目，由 Tandon-A 开发，2018 年首次发布。

它收录于图像分类，该分类目前共有 837 个项目，GitHub 星标数为 83。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-05-04。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：研究CycleGAN损失函数对图像质量的影响。同类可对比的替代方案包括 CycleGAN、pix2pix、MUNIT。

上一篇：malnyun_faces

下一篇：stylegan2-encoder-pytorch