Sketch Simplification训练指南：一步步教你训练自己的草图优化模型
【免费下载链接】sketch_simplificationModels and code related to sketch simplification of rough sketches.项目地址: https://gitcode.com/gh_mirrors/sk/sketch_simplification
草图简化（Sketch Simplification）技术能将粗糙的手绘草图自动转换为清晰的线条画，是数字艺术创作中的实用工具。本指南将带你从零开始训练自己的草图优化模型，无需深厚的机器学习背景，只需跟随步骤操作，即可掌握这项强大技能！
准备工作：环境搭建与依赖安装
核心依赖组件
训练草图简化模型需要以下工具和库：
- Torch7：深度学习框架
- randomkit：随机数生成库
- luafilesystem：文件系统操作库
- CUDA和cuDNN：GPU加速支持（必需）
快速安装步骤
首先安装Torch7框架：
# 官方安装脚本 curl -s https://raw.githubusercontent.com/torch/ezinstall/master/install-deps | bash git clone https://github.com/torch/distro.git ~/torch --recursive cd ~/torch; ./install.sh安装剩余依赖：
luarocks install randomkit luarocks install luafilesystem
数据集准备：构建训练素材库
数据格式要求
训练需要两种类型的图像对：
- 粗糙草图：原始手绘输入
- 线条画：对应的优化结果
数据集文件结构
创建CSV格式的训练数据清单，格式如下：
/path/to/rough_sketch1.png,/path/to/line_drawing1.png /path/to/rough_sketch2.png,/path/to/line_drawing2.png ...保存为train.csv文件，放置在项目根目录。
⚠️ 注意：由于版权限制，官方未提供训练数据集，你需要自行准备或创建草图-线条画对。
基础训练：使用Weighted MSE损失函数
训练原理
train.lua脚本实现了SIGGRAPH 2016论文中提出的加权MSE损失函数训练方法，适合生成基础的草图简化模型。
开始训练
在项目根目录执行以下命令启动训练：
th train.lua训练过程解析
- 首次运行会在
wcache/目录生成临时权重文件（可能需要较长时间） - 每2500次迭代会在
cache/目录保存模型 checkpoint - 训练会持续进行直到手动终止（建议至少训练20,000次迭代）
自定义训练参数
查看所有可用参数：
th train.lua --help常用参数调整：
--lr：学习率（默认0.001）--batchSize：批处理大小（默认16）--epochs：训练轮数
进阶训练：对抗增强训练（Adversarial Augmentation）
训练原理
train_adv.lua实现了TOG 2018论文中的对抗增强训练方法，需要基于基础MSE模型进行优化，能生成更自然的线条效果。
草图简化效果对比：左侧为原始草图，右侧为优化后的线条画
准备额外数据集
需要创建两个额外的CSV文件：
train_line.csv：仅包含线条画的文件列表train_rough.csv：仅包含粗糙草图的文件列表
文件格式示例：
/path/to/image1.png /path/to/image2.png ...启动对抗训练
th train_adv.lua训练过程说明
- 模型 checkpoint 保存在
cache_adv/目录 - 训练分为两个阶段：先训练判别器，再联合训练生成器和判别器
- 对抗训练具有随机性，不同次运行结果可能不同
- 注意：训练时间过长可能导致模型崩溃，建议定期保存 checkpoint
模型下载与使用
如果不想从 scratch 训练，可以直接下载预训练模型：
bash download_models.sh该脚本会下载四种预训练模型：
model_mse.t7：基础MSE模型model_gan.t7：对抗训练模型model_pencil1.t7：铅笔风格模型1model_pencil2.t7：铅笔风格模型2
测试模型效果
使用test.png测试模型：
python simplify.py --model model_gan.t7 --img test.png --out result.png线条优化示例：展示模型对复杂线条的处理效果
训练技巧与注意事项
提升模型性能的关键技巧
- 数据质量：确保草图-线条画对的对应关系准确
- 数据多样性：包含不同风格、不同复杂度的草图
- 训练监控：定期检查生成结果，避免过拟合
- 参数调优：根据硬件条件调整 batch size 和学习率
常见问题解决
- 内存不足：减小 batch size 或图像分辨率
- 训练不稳定：降低学习率或使用学习率衰减策略
- 结果模糊：增加训练迭代次数或调整损失函数权重
项目结构与文件说明
核心文件说明：
- 训练脚本：train/train.lua、train/train_adv.lua
- 模型下载：download_models.sh
- 推理代码：simplify.py
- 训练说明：train/TRAIN.md
引用与致谢
如果使用本项目的代码或模型，请引用以下论文：
@Article{SimoSerraSIGGRAPH2016, author = {Edgar Simo-Serra and Satoshi Iizuka and Kazuma Sasaki and Hiroshi Ishikawa}, title = {{Learning to Simplify: Fully Convolutional Networks for Rough Sketch Cleanup}}, journal = "ACM Transactions on Graphics (SIGGRAPH)", year = 2016, volume = 35, number = 4, }本项目由JST CREST和JST ACT-I项目资助，感谢所有贡献者的努力！
许可证信息
本项目采用非商业性开源许可证，详细信息请参见LICENSE文件。
【免费下载链接】sketch_simplificationModels and code related to sketch simplification of rough sketches.项目地址: https://gitcode.com/gh_mirrors/sk/sketch_simplification
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
