DiffBIR: la herramienta de reparación inteligente para mejorar la calidad de imagen

Introducción general

DiffBIR (Blind Image Restoration with Generative Diffusion Prior) es una herramienta de restauración de imágenes desarrollada por XPixelGroup, cuyo objetivo es la restauración ciega de imágenes mediante modelos de difusión generativa. DiffBIR utiliza un modelo avanzado de difusión generativa para generar imágenes restauradas de alta calidad sin depender de un modelo de degradación específico. El proyecto es de código abierto en GitHub y proporciona instrucciones detalladas y modelos preentrenados para facilitar a los usuarios las tareas de restauración de imágenes.

DiffBIR:提升图像质量的智能修复工具

Experiencia en línea: https://replicate.com/zsxkib/diffbir

 

DiffBIR:提升图像质量的智能修复工具

 

Lista de funciones

  • Superresolución ciega de imágenesMejora la claridad y el detalle de las imágenes de baja resolución.
  • Restauración facial a ciegas: Repara imágenes faciales borrosas o de baja calidad.
  • Revelación ciega de imágenes: Elimina el ruido de una imagen y mejora su calidad.
  • Generación de modelos de difusiónRestauración de imágenes mediante modelos de difusión generativa para múltiples escenarios de degradación.
  • Modelo de preentrenamiento: Proporciona una variedad de modelos preentrenados para dar soporte a diferentes tipos de tareas de restauración de imágenes.
  • Demostración en líneaDemostración en línea: se proporciona una demostración en línea para que los usuarios puedan experimentar directamente los resultados de la restauración de imágenes.

 

Utilizar la ayuda

Proceso de instalación

  1. almacén de clones::
   git clone https://github.com/XPixelGroup/DiffBIR.git
cd DiffBIR
  1. Instalación de dependencias::
   pip install -r requirements.txt
  1. Descargar modelo preentrenadoDescarga el modelo preentrenado enmodelsconsulte la página del proyecto para obtener enlaces de descarga de modelos específicos.

Instrucciones de uso

Restauración de imágenes

  1. Preparación de la imagen de entrada: Coloque la imagen que desea restaurar en elinputsCatálogo.
  2. Ejecución de scripts de inferencia::
   python inference.py --input_dir inputs --output_dir outputs

Este comando modificará elinputsLas imágenes del directorio se restauran y los resultados se guardan en la carpetaoutputsCatálogo.

formación de modelos

  1. Preparación del conjunto de datosColoca el conjunto de datos de entrenamiento en eldatapara garantizar que el formato de los datos cumple los requisitos.
  2. Ejecutar el script de entrenamiento::
   python train_stage1.py --config configs/train_stage1.yaml
python train_stage2.py --config configs/train_stage2.yaml

Este comando ejecutará la primera y la segunda fase del entrenamiento secuencialmente para generar el modelo de reparación final.

Flujo detallado de funcionamiento de las funciones

  1. Superresolución ciega de imágenes::
    • Colocar una imagen de baja resolución en elinputsCatálogo.
    • Ejecute scripts de inferencia para generar imágenes de alta resolución.
    • sondaoutputsla imagen resultante en el catálogo para confirmar el efecto de la reparación.
  2. Restauración facial a ciegas::
    • Colocar una imagen facial borrosa o de baja calidad en elinputsCatálogo.
    • Ejecute el script de inferencia para reparar la imagen de la cara.
    • sondaoutputsla imagen resultante en el catálogo para confirmar el efecto de la reparación.
  3. Revelación ciega de imágenes::
    • La imagen que contiene el ruido se coloca en elinputsCatálogo.
    • Ejecute el script de inferencia para eliminar el ruido de la imagen.
    • sondaoutputsla imagen resultante en el catálogo para confirmar el efecto de eliminación de ruido.

 

Kit de integración Diffbir 2.1

Quark: https://pan.quark.cn/s/1e90834438e3

© declaración de copyright

Puestos relacionados

Sin comentarios

Debe iniciar sesión para participar en los comentarios.
Acceder ahora
ninguno
Sin comentarios...