HiDT 本地环境搭建完整指南conda PyTorch 从零跑通官方推理代码【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDTHiDT 是一个在 CVPR 2020 上发表的高分辨率白天场景转换Daytime Translation开源项目由 AI 实验室提出并获得 Oral 报告资格。它最令人惊艳的能力是无需任何域标签Without Domain Labels就能把白天风景照转换成黄昏、夜晚、星空等不同时刻的高清图像。本文将为你提供一份完整的 HiDT 本地环境搭建指南手把手带你用 conda PyTorch 从零配置环境、安装依赖、下载模型权重并成功运行官方推理代码让新手也能在本地电脑上体验白天转黑夜的魔法。HiDT 效果速览白天场景转换有多惊艳先看看官方演示图感受一下高分辨率白天场景转换的实际效果。下面的网格图展示了从白天到黄昏、再到夜晚星空的多组转换结果场景覆盖山脉、湖泊、海岸等真实风景而这张图展示了内容与风格的交换效果——把不同场景的内容与不同时刻的光影风格任意组合这正是 HiDT 无需域标签的核心能力更酷的是你还可以在两个风格之间做连续插值生成多云转晴黄昏到夜晚的平滑过渡序列HiDT 是什么一篇 CVPR 2020 Oral 论文的官方实现HiDT 全称High-Resolution Daytime Translation Without Domain Labels论文发表于 IEEE/CVF CVPR 2020Oral 报告是高分辨率白天场景转换领域的代表性工作。官方仓库提供了完整的推理Inference实现基于 PyTorch 构建你可以直接用预训练权重完成白天场景转换任意风景照 → 黄昏 / 夜晚 / 星空风格艺术风格迁移用 WikiArt 名画风格重绘照片超分辨率增强通过独立的增强器Enhancer把 512×512 结果升级到 1024×1024 高清模型的核心思路是把图像分解为**内容Content与风格Style**两个独立编码再用带 AdalIN 归一化的解码器重建从而在不需要标注域标签的情况下实现风格解耦。下图是官方论文中的网络结构示意Adaptive UNet AdalIN 模块如果想了解底层实现可以查看 hidt/style_transformer.py推理核心类 StyleTransformer和 hidt/networks/generators/gen_content_style_unet.py生成器源码。本地环境搭建前置检查硬件与软件要求在开始之前先对照检查你的机器是否满足最低要求项目最低要求建议配置操作系统Linux / macOS / Windows(WSL)任意 64 位系统Python≥ 3.73.7官方测试版本包管理器condaconda pipGPUNVIDIA 显卡CUDA 可用8GB 显存以上显存4GB512 分辨率推理8GB1024 高清推理⚠️ 提示官方实现基于较早期的 PyTorch 1.1 编写如果你的 CUDA 版本较新建议使用 conda 创建独立环境避免与系统其他深度学习环境冲突。第一步用 conda 创建 HiDT 专属环境最快配置方法官方推荐使用 conda 管理依赖。如果你还没有安装 conda请先前往 Miniconda 官网下载安装。安装完成后打开终端执行以下命令创建独立环境conda create -n hidt python3.7 conda activate hidt两条命令的作用分别是创建一个名为hidt、Python 版本为 3.7 的全新环境随后激活该环境。之后所有操作都在这个环境中进行干净又隔离。第二步获取 HiDT 源码仓库环境就绪后把项目代码克隆到本地。仓库地址为 https://gitcode.com/gh_mirrors/hi/HiDT 执行git clone https://gitcode.com/gh_mirrors/hi/HiDT.git cd HiDT第三步一键安装 PyTorch 依赖项目依赖集中在 requirements.txt 中包含 PyTorch、torchvision、PyYAML、Pillow、numpy 和 tqdm。激活环境后执行一行命令即可pip install -r requirements.txt 若自动安装的 torch 版本与你显卡驱动不兼容可先手动安装匹配 CUDA 版本的 PyTorch 1.x再执行上述命令安装其余依赖。第四步读懂官方仓库目录结构安装完成后先花两分钟熟悉目录布局后面跑命令才不会迷路HiDT/ ├── configs/ # 模型配置文件daytime / wikiart ├── hidt/ # 核心源码包 │ ├── networks/ # 生成器、编码器、增强器网络 │ ├── trainers/ # 推理时用到的 TrainerBase │ ├── utils/ # 图像预处理与 IO 工具 │ └── style_transformer.py # StyleTransformer 推理类 ├── images/ │ ├── daytime/ # 白天场景content 内容图 styles 风格图 │ └── wikiart/ # 艺术风格content 照片 styles 名画 ├── trained_models/ │ ├── generator/ # 白天与艺术风格生成器权重 │ └── enhancer/ # 高清增强器权重 ├── notebooks/ # Colab 演示 Notebook └── requirements.txt仓库自带了两套预训练模型trained_models/generator/daytime.pt白天场景转换与trained_models/generator/wikiart.pt艺术风格迁移以及增强器trained_models/enhancer/enhancer.pth无需额外下载。第五步运行官方推理代码核心步骤接下来是重头戏——运行官方推理代码。仓库根目录下直接执行即可无需额外脚本。模式一白天场景转换 高清增强推荐把images/daytime/content/下的风景照转换成风格图库中的时刻风格并用增强器提升到 1024×1024 高清CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/daytime/content/ \ --style-dir ./images/daytime/styles/ \ --cfg-path ./configs/daytime.yaml \ --chk-path ./trained_models/generator/daytime.pt \ --enh-path ./trained_models/enhancer/enhancer.pth \ --enhancement generator模式二白天场景转换 全卷积模式不想做后处理增强把--enhancement改为fullconv生成器将以全卷积方式直接输出速度更快CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/daytime/content/ \ --style-dir ./images/daytime/styles/ \ --cfg-path ./configs/daytime.yaml \ --chk-path ./trained_models/generator/daytime.pt \ --enhancement fullconv模式三WikiArt 艺术风格迁移把照片重绘成名画风格换用 wikiart 配置与权重即可操作完全一致CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/wikiart/content/ \ --style-dir ./images/wikiart/styles/ \ --cfg-path ./configs/wikiart.yaml \ --chk-path ./trained_models/generator/wikiart.pt \ --enh-path ./trained_models/enhancer/enhancer.pth \ --enhancement generator命令关键参数速查表参数作用--content-dir内容图目录保持结构的风景照--style-dir风格图目录黄昏、夜晚等风格图--cfg-path模型配置如 configs/daytime.yaml--chk-path生成器权重路径--enh-path增强器权重路径可选--enhancementgenerator增强或fullconv全卷积运行结束后结果图会保存在输出目录中你可以直接对比转换前后的效果。进阶玩法用 Notebook 一键体验如果你更喜欢交互式环境仓库还提供了 notebooks/HighResolutionDaytimeTranslation.ipynb在 Jupyter / Colab 中打开即可分步执行加载模型 → 分解内容风格 → 转换 → 可视化的完整流程非常适合初学者理解 HiDT 白天场景转换的推理管线。常见问题与排错清单CUDA 不可用检查nvidia-smi驱动是否正常并确认 conda 环境中 PyTorch 版本与 CUDA 匹配。提示缺少bin/目录请确认你在克隆的HiDT根目录下执行命令。显存不足OOM先使用fullconv模式或把内容图缩小后再推理。图像预处理报错确认内容图、风格图均为常见图片格式jpg/png且--content-dir与--style-dir路径正确。结语从零到跑通 HiDT 只需四步回顾整篇 HiDT 本地环境搭建指南核心流程浓缩为四步创建 conda 环境 → 克隆仓库 → 安装依赖 → 运行推理命令。无论你是想体验白天场景转换的视觉效果还是研究无需域标签的风格解耦算法这份指南都能帮你快速跑通官方代码。快动手试试把窗外的白天风景变成星空下的夜晚吧【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
HiDT 本地环境搭建完整指南：conda + PyTorch 从零跑通官方推理代码
HiDT 本地环境搭建完整指南conda PyTorch 从零跑通官方推理代码【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDTHiDT 是一个在 CVPR 2020 上发表的高分辨率白天场景转换Daytime Translation开源项目由 AI 实验室提出并获得 Oral 报告资格。它最令人惊艳的能力是无需任何域标签Without Domain Labels就能把白天风景照转换成黄昏、夜晚、星空等不同时刻的高清图像。本文将为你提供一份完整的 HiDT 本地环境搭建指南手把手带你用 conda PyTorch 从零配置环境、安装依赖、下载模型权重并成功运行官方推理代码让新手也能在本地电脑上体验白天转黑夜的魔法。HiDT 效果速览白天场景转换有多惊艳先看看官方演示图感受一下高分辨率白天场景转换的实际效果。下面的网格图展示了从白天到黄昏、再到夜晚星空的多组转换结果场景覆盖山脉、湖泊、海岸等真实风景而这张图展示了内容与风格的交换效果——把不同场景的内容与不同时刻的光影风格任意组合这正是 HiDT 无需域标签的核心能力更酷的是你还可以在两个风格之间做连续插值生成多云转晴黄昏到夜晚的平滑过渡序列HiDT 是什么一篇 CVPR 2020 Oral 论文的官方实现HiDT 全称High-Resolution Daytime Translation Without Domain Labels论文发表于 IEEE/CVF CVPR 2020Oral 报告是高分辨率白天场景转换领域的代表性工作。官方仓库提供了完整的推理Inference实现基于 PyTorch 构建你可以直接用预训练权重完成白天场景转换任意风景照 → 黄昏 / 夜晚 / 星空风格艺术风格迁移用 WikiArt 名画风格重绘照片超分辨率增强通过独立的增强器Enhancer把 512×512 结果升级到 1024×1024 高清模型的核心思路是把图像分解为**内容Content与风格Style**两个独立编码再用带 AdalIN 归一化的解码器重建从而在不需要标注域标签的情况下实现风格解耦。下图是官方论文中的网络结构示意Adaptive UNet AdalIN 模块如果想了解底层实现可以查看 hidt/style_transformer.py推理核心类 StyleTransformer和 hidt/networks/generators/gen_content_style_unet.py生成器源码。本地环境搭建前置检查硬件与软件要求在开始之前先对照检查你的机器是否满足最低要求项目最低要求建议配置操作系统Linux / macOS / Windows(WSL)任意 64 位系统Python≥ 3.73.7官方测试版本包管理器condaconda pipGPUNVIDIA 显卡CUDA 可用8GB 显存以上显存4GB512 分辨率推理8GB1024 高清推理⚠️ 提示官方实现基于较早期的 PyTorch 1.1 编写如果你的 CUDA 版本较新建议使用 conda 创建独立环境避免与系统其他深度学习环境冲突。第一步用 conda 创建 HiDT 专属环境最快配置方法官方推荐使用 conda 管理依赖。如果你还没有安装 conda请先前往 Miniconda 官网下载安装。安装完成后打开终端执行以下命令创建独立环境conda create -n hidt python3.7 conda activate hidt两条命令的作用分别是创建一个名为hidt、Python 版本为 3.7 的全新环境随后激活该环境。之后所有操作都在这个环境中进行干净又隔离。第二步获取 HiDT 源码仓库环境就绪后把项目代码克隆到本地。仓库地址为 https://gitcode.com/gh_mirrors/hi/HiDT 执行git clone https://gitcode.com/gh_mirrors/hi/HiDT.git cd HiDT第三步一键安装 PyTorch 依赖项目依赖集中在 requirements.txt 中包含 PyTorch、torchvision、PyYAML、Pillow、numpy 和 tqdm。激活环境后执行一行命令即可pip install -r requirements.txt 若自动安装的 torch 版本与你显卡驱动不兼容可先手动安装匹配 CUDA 版本的 PyTorch 1.x再执行上述命令安装其余依赖。第四步读懂官方仓库目录结构安装完成后先花两分钟熟悉目录布局后面跑命令才不会迷路HiDT/ ├── configs/ # 模型配置文件daytime / wikiart ├── hidt/ # 核心源码包 │ ├── networks/ # 生成器、编码器、增强器网络 │ ├── trainers/ # 推理时用到的 TrainerBase │ ├── utils/ # 图像预处理与 IO 工具 │ └── style_transformer.py # StyleTransformer 推理类 ├── images/ │ ├── daytime/ # 白天场景content 内容图 styles 风格图 │ └── wikiart/ # 艺术风格content 照片 styles 名画 ├── trained_models/ │ ├── generator/ # 白天与艺术风格生成器权重 │ └── enhancer/ # 高清增强器权重 ├── notebooks/ # Colab 演示 Notebook └── requirements.txt仓库自带了两套预训练模型trained_models/generator/daytime.pt白天场景转换与trained_models/generator/wikiart.pt艺术风格迁移以及增强器trained_models/enhancer/enhancer.pth无需额外下载。第五步运行官方推理代码核心步骤接下来是重头戏——运行官方推理代码。仓库根目录下直接执行即可无需额外脚本。模式一白天场景转换 高清增强推荐把images/daytime/content/下的风景照转换成风格图库中的时刻风格并用增强器提升到 1024×1024 高清CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/daytime/content/ \ --style-dir ./images/daytime/styles/ \ --cfg-path ./configs/daytime.yaml \ --chk-path ./trained_models/generator/daytime.pt \ --enh-path ./trained_models/enhancer/enhancer.pth \ --enhancement generator模式二白天场景转换 全卷积模式不想做后处理增强把--enhancement改为fullconv生成器将以全卷积方式直接输出速度更快CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/daytime/content/ \ --style-dir ./images/daytime/styles/ \ --cfg-path ./configs/daytime.yaml \ --chk-path ./trained_models/generator/daytime.pt \ --enhancement fullconv模式三WikiArt 艺术风格迁移把照片重绘成名画风格换用 wikiart 配置与权重即可操作完全一致CUDA_VISIBLE_DEVICES0 PYTHONPATH$(pwd):${PYTHONPATH} \ python ./bin/infer_on_folders.py \ --content-dir ./images/wikiart/content/ \ --style-dir ./images/wikiart/styles/ \ --cfg-path ./configs/wikiart.yaml \ --chk-path ./trained_models/generator/wikiart.pt \ --enh-path ./trained_models/enhancer/enhancer.pth \ --enhancement generator命令关键参数速查表参数作用--content-dir内容图目录保持结构的风景照--style-dir风格图目录黄昏、夜晚等风格图--cfg-path模型配置如 configs/daytime.yaml--chk-path生成器权重路径--enh-path增强器权重路径可选--enhancementgenerator增强或fullconv全卷积运行结束后结果图会保存在输出目录中你可以直接对比转换前后的效果。进阶玩法用 Notebook 一键体验如果你更喜欢交互式环境仓库还提供了 notebooks/HighResolutionDaytimeTranslation.ipynb在 Jupyter / Colab 中打开即可分步执行加载模型 → 分解内容风格 → 转换 → 可视化的完整流程非常适合初学者理解 HiDT 白天场景转换的推理管线。常见问题与排错清单CUDA 不可用检查nvidia-smi驱动是否正常并确认 conda 环境中 PyTorch 版本与 CUDA 匹配。提示缺少bin/目录请确认你在克隆的HiDT根目录下执行命令。显存不足OOM先使用fullconv模式或把内容图缩小后再推理。图像预处理报错确认内容图、风格图均为常见图片格式jpg/png且--content-dir与--style-dir路径正确。结语从零到跑通 HiDT 只需四步回顾整篇 HiDT 本地环境搭建指南核心流程浓缩为四步创建 conda 环境 → 克隆仓库 → 安装依赖 → 运行推理命令。无论你是想体验白天场景转换的视觉效果还是研究无需域标签的风格解耦算法这份指南都能帮你快速跑通官方代码。快动手试试把窗外的白天风景变成星空下的夜晚吧【免费下载链接】HiDTOfficial repository for the paper High-Resolution Daytime Translation Without Domain Labels (CVPR2020, Oral)项目地址: https://gitcode.com/gh_mirrors/hi/HiDT创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
