# GAN для преобразования Google -> Yandex

Модуль реализует pix2pix-подобный GAN для парных изображений карт. Генератор получает изображение Google из пары и пытается сгенерировать изображение в стиле Yandex. Сгенерированная картинка сравнивается со вторым изображением пары, то есть с оригинальным `*_yandex.png`.

## Структура

```text
models/GAN/
├── build.py        # генератор notebook.gen.ipynb по схеме
├── _schema.py      # структура генерируемого ноутбука
├── _schema.md      # описание формата схемы
├── notebook.gen.ipynb
├── src/
│   ├── config.py
│   ├── dataloader.py
│   ├── model.py
│   ├── trainer.py
│   ├── analyze.py
│   └── main.py
└── README.md
```

## Архитектура

`GeneratorUNet` принимает `google_img` с 3 RGB-каналами и возвращает `fake_yandex`.

`DiscriminatorPatchGAN` получает пару `(google_img, yandex_img)` и отличает настоящую пару от `(google_img, fake_yandex)`.

`ImageGAN.generator_step()` считает:

- adversarial loss: дискриминатор должен принять `(google_img, fake_yandex)` за реальную пару;
- L1 loss: `fake_yandex` сравнивается с оригинальным `yandex_img` из той же пары.
- SSIM loss: штрафует структурные отличия, чтобы карта не расплывалась;
- Sobel edge loss: сохраняет контуры дорог и объектов для последующего поиска ключевых точек.

Итоговая функция потерь генератора:

```text
G_loss =
  lambda_GAN * GAN_loss(D(google_img, fake_yandex), real)
  + lambda_L1 * L1(fake_yandex, yandex_img)
  + lambda_SSIM * SSIMLoss(fake_yandex, yandex_img)
  + lambda_edge * SobelEdgeLoss(fake_yandex, yandex_img)
```

По умолчанию используется `lsgan`, усиленная реконструкция и более медленный
дискриминатор. Это менее “креативно”, зато обычно даёт более чистые контуры.

## Запуск

Из папки `models/GAN`:

```bash
python src/main.py
```

`src/main.py` специально написан без функции `main()`: при генерации ноутбука
все переменные остаются доступны после запуска ячейки, как в SiaN.

Чтобы пересобрать ноутбук из схемы:

```bash
python build.py
```

По умолчанию датасет берется из:

```text
C:\Users\admin\Projects\autopilot\datasets\ya_go_maps\images
```

Путь, размер изображений, batch size и число эпох меняются в `src/config.py`.

Если CUDA видна, но установленный PyTorch не поддерживает архитектуру GPU
например Tesla P100 `sm_60`, код автоматически переключится на CPU. Это
управляется параметром `prefer_cuda` в `src/config.py`.

## Ожидаемый формат данных

В директории датасета должны лежать пары:

```text
0000_google.png
0000_yandex.png
0001_google.png
0001_yandex.png
...
```

Даталоадер возвращает:

- `google_img`: вход генератора;
- `yandex_img`: целевое изображение для сравнения;
- `idx`: номер пары.

## Чекпоинты

Тренер сохраняет чекпоинты в:

```text
models/GAN/runs/checkpoints
```

Сохраняются `best.pth`, периодические `epoch_N.pth` и `final.pth`.

После обучения `src/main.py` также строит:

- графики `G/D/L1/SSIM/edge loss`;
- сетку `Google input -> Generated Yandex -> Yandex target`.

Файлы сохраняются в `models/GAN/runs/images`.