CodeFormer: Bild- und Video-Gesichtsrestaurierung, Wiederherstellung alter Fotos, bietet eine Ein-Klick-Bereitstellungsversion

CodeFormer Allgemeine Einführung

CodeFormer ist eine Codebasis für die robuste blinde Gesichtsreparatur, die von einem Forscherteam des S-Lab an der Nanyang Technological University entwickelt und auf der NeurIPS 2022 vorgestellt wurde. Mit Hilfe der Codebook-Lookup-Transformer-Technologie zielt das Projekt darauf ab, die Reparatur von Gesichtern in Bildern zu verbessern, insbesondere wenn es sich um qualitativ schlechte oder beschädigte Bilder handelt.CodeFormer bietet eine breite Palette von Funktionen, einschließlich Gesichtsreparatur, Färbung und Patching, für eine Vielzahl von Bildverarbeitungsanforderungen. Darüber hinaus unterstützt das Projekt die Eingabe von Videos und bietet benutzerfreundliche Online-Demos, vortrainierte Modelle und detaillierte Anleitungen für die Verwendung.

Die Gebrauchsanweisung muss genau gelesen werden, sonst funktioniert es nicht richtig. Wenn formell kommerziell als alte Foto-Restaurierung verkauft, ist eine einfache PS-Basis erforderlich, sonst wird es nicht die gleiche Wirkung erzielen online.

CodeFormer versucht, alte Fotos zu verbessern / AI-Porträts zu korrigieren

CodeFormer Gesichtsreparatur

CodeFormer Farbverbesserung und -wiederherstellung für das Gesicht

CodeFormer Gesichtsreparatur

CodeFormer Funktionsliste

• GesichtsrestaurierungVerbessern Sie die Klarheit und Detailgenauigkeit von minderwertigen oder beschädigten Gesichtsbildern mit der Codebook Lookup Converter-Technologie.
• Einfärbung von BildernFügen Sie Schwarz-Weiß-Bildern oder verblassten Bildern natürliche Farben hinzu.
• Image-ReparaturReparieren: Repariert fehlende Teile eines Bildes, um es zu vervollständigen.
• VideoverarbeitungUnterstützt das Reparieren und Verbessern von Gesichtern in Videos.
• Online-DemoEine Online-Demo-Funktion steht zur Verfügung, damit die Benutzer die Restaurierung direkt in ihrem Browser erleben können.

CodeFormer Hilfe

Einbauverfahren

1. Klonen der Codebasis::

   git clone https://github.com/sczhou/CodeFormer
   cd CodeFormer
   

    

2. Erstellen und Aktivieren einer virtuellen Umgebung::

   conda create -n codeformer python=3.8 -y
   conda activate codeformer
   

    

3. Installation von Abhängigkeiten::

   pip install -r requirements.txt
   python basicsr/setup.py develop
   conda install -c conda-forge dlib
   

    

4. Herunterladen des vortrainierten Modells::

   python scripts/download_pretrained_models.py facelib
   python scripts/download_pretrained_models.py dlib
   python scripts/download_pretrained_models.py CodeFormer
   

    

Verwendungsprozess

1. Vorbereiten der Testdaten: Legen Sie das Testbild in den inputs/TestWhole Ordner. Wenn Sie beschnittene und ausgerichtete Gesichtsbilder testen möchten, können Sie sie in den Ordner inputs/cropped_faces Ordner.
2. Ausführen des Inferenzcodes::

   python inference_codeformer.py --input_path inputs/TestWhole --output_path results
   

   Dieser Befehl verarbeitet die inputs/TestWhole Ordner mit allen Bildern und speichern Sie die Ergebnisse im Ordner results Ordner.

Funktion Betriebsablauf

1. Gesichtsrestaurierung::
   • Legen Sie das zu restaurierende Bild in den inputs/TestWhole Mappe.
   • Führen Sie den Inferenzcode aus, um das reparierte Bild zu erzeugen.
2. Einfärbung von Bildern::
   • Platzieren Sie ein schwarz-weißes Bild in der inputs/TestWhole Mappe.
   • ausnutzen inference_colorization.py Skript zum Ausmalen.
3. Image-Reparatur::
   • Legen Sie das zu patchende Bild in den Ordner inputs/TestWhole Mappe.
   • ausnutzen inference_inpainting.py Skripte für das Patchen.
4. Videoverarbeitung::
   • Legen Sie die Videodatei in dem angegebenen Ordner ab.
   • Führen Sie den Inferenzcode aus, um die Gesichter im Video zu verarbeiten.

Gesichtsrestaurierung (Zuschneiden und Ausrichten des Gesichts)

# Für beschnittene und ausgerichtete Flächen
python inference_codeformer.py -w 0.5 --has_aligned --input_path [input folder]

Allgemeine Bildverbesserung

# Für das gesamte Bild
# Hinzufügen von '---bg_upsampler realesrgan' zur Verbesserung der Hintergrundregionen mit Real-ESRGAN
# Hinzufügen von '--face_upsample' für weitere Upsamples von restaurierten Flächen mit Real-ESRGAN
python inference_codeformer.py -w 0.7 --input_path [Bildordner/Bildpfad]

Videoerweiterung

# Für Videoclips
python inference_codeformer.py --bg_upsampler realesrgan --face_upsample -w 1.0 --input_path

Das Treuegewicht w liegt im Bereich [0, 1]. Im Allgemeinen führt ein kleineres w zu qualitativ hochwertigeren Ergebnissen, während ein größeres w zu realitätsnäheren Ergebnissen führt.

Die Ergebnisse werden im Ergebnisordner gespeichert.

CodeFormer Ein-Klick-Bereitstellungs-Kit

Dieser Inhalt wurde vom Autor versteckt, bitte geben Sie den Verifizierungscode ein, um den Inhalt zu sehen

Captcha:

Bitte achten Sie auf diese Website WeChat öffentliche Nummer, Antwort "CAPTCHA, eine Art von Challenge-Response-Test (Computertechnik)", um den Verifizierungscode zu erhalten. Suchen Sie in WeChat nach "Leiter des AI-Austauschkreises"oder"Looks-AI" oder WeChat Scannen der rechten Seite des QR-Codes kann die Aufmerksamkeit auf diese Website WeChat öffentliche Zahl zu zahlen.