在用检测做工业质检的过程中，合格的产品有非常多，但不合格产品量少且形态各异。为了增强数据集，就需要生成大量不合格产品的图片。具体地，我得生成有瑕疵的磁材。此为背景。
本来有两个任务可选，其中一个就是我研究的用GAN生成，所以毫不犹豫地选了这个（另一个忘了）。
老大说，这个任务不着急，让我自己觉着怎么有意思怎么来。重要的是要好玩～自己玩儿着开心～（工作真清闲）。可以尝试多个网络以后，把它写的模块化，方便用。我们一切都目的都是为了懒（非常赞同）。
所以呢，为了懒，我打算先找个pix2pix跑跑看看效果。然后再基于这个模块框架往里加别的模型就好啦。
目前为止就只有pix2pix、cycleGAN（对本项目没啥用）、non-stationary-texture GAN（今天刚看懂加进去调通）。为了不耗费我写博客的热情，就直接从non-stationary-texture GAN 开始写啦。
1. pix2pix
略
2. Non-stationary-texture GAN
目前，生成平稳纹理的模型已经很多了，但是自然界中存在很多非平稳的纹理，生成这些纹理的问题还没解决。这篇文章提出了一种非平稳纹理生成模型。一旦训练完毕，输入一张纹理图，模型就可以将其尺寸扩大，延伸其纹理（如下图）。目前，现存的模型还没有比这篇文章效果好的。（文章发表于2018年8月）
论文没细看，只看了代码，是基于cycleGAN代码改的（太棒了不用手写进我的模块了）。
代码和pix2pix差不多，输入real_A与real_B，由real_A生成fake_B，再用real_B与fake_B做loss。区别在于：
- 一张大的纹理图，随机切一块（256*256）作为real_B；再在real_B上随机切一块（128*128）作为real_A；
- real_A经过生成器。此处反卷积解码的过程多加了一层，使原图边长扩大了一倍，生成fake_B；
- 加了vgg的style损失。一共有loss_L1(fake_B, real_B）、loss_GAN、loss_style。
- 通篇只用一张图跑，也就是只有这一种纹理。
不过好在磁材的纹理也只有一种，还蛮符合这篇论文条件的。
- 截磁材纹理，训练；
- 测试不同纹理作为输入的生成效果。