domain-transfer-network

无监督图像域转换，无需配对数据即可实现风格迁移

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 199 🐛 待处理 11 👀 关注 49

GitHub ↗

GitHub 星标 ★ 863

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，MIT许可证，完全免费，可自行部署使用。

项目预览

domain-transfer-network 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yunjey

GitHubhttps://github.com/yunjey/domain-transfer-network

定价模式🏷️完全免费

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🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型domain-transfer,image-generation,tensorflow,unsupervised-learning

GitHub 星标★ 863

上线时间2016-12-30 00:00:00

代码更新2018-06-06

仓库体积7.6 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

这是一个基于TensorFlow的无监督跨域图像生成项目，实现了Unsupervised Cross-Domain Image Generation（无监督跨域图像生成）算法。它解决的是在缺乏成对训练数据的情况下，如何将图像从一个域转换到另一个域的问题，例如将照片转换为油画风格或不同季节的风景。核心能力包括：利用生成对抗网络（GAN）进行域间映射，学习源域和目标域之间的潜在关联；支持多种图像转换任务，如风格迁移、季节变换等；提供了完整的训练和测试流程，便于研究者复现和扩展。该项目是早期无监督域转换的经典实现，为后续如CycleGAN等更先进的方法奠定了基础。

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 ★ 863

技术标签

image-generation tensorflow unsupervised-learning

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 40 分钟部署方式：本地安装 4 步

环境要求

Python 3.6
TensorFlow 1.x
NVIDIA GPU

安装与启动步骤

1克隆

这是 TensorFlow 1.x 时代的实现，环境要老一些。
```
git clone https://github.com/yunjey/dtn-tensorflow.git
cd dtn-tensorflow
```
2下数据

脚本会拉取跨域图像数据集。
```
./download.sh
```
3预处理

先生成 tfrecord，训练读它。
```
python prepro.py
```
4预训练再训练

先 pretrain 稳定住，再切 train 微调。
```
python main.py --mode='pretrain'
python main.py --mode='train'
```