DiffBIR: 이미지 품질 향상을 위한 지능형 복구 도구

일반 소개

DiffBIR(블라인드 이미지 복원을 위한 생성적 확산 선행)은 XPixelGroup에서 개발한 이미지 복원 도구로, 생성적 확산 모델을 통한 블라인드 이미지 복원을 목표로 합니다. 이 도구는 이미지 초해상도, 이미지 노이즈 제거 및 얼굴 복원과 같은 다양한 이미지 저하 문제를 처리할 수 있으며, DiffBIR은 고급 생성 확산 모델을 사용하여 특정 저하 모델에 의존하지 않고 고품질의 복원된 이미지를 생성합니다. 이 프로젝트는 GitHub에서 오픈 소스이며 사용자가 이미지 복원 작업을 쉽게 수행할 수 있도록 자세한 지침과 사전 훈련된 모델을 제공합니다.

온라인 체험: https://replicate.com/zsxkib/diffbir

기능 목록

• 블라인드 이미지 초고해상도저해상도 이미지의 선명도와 디테일을 향상시킵니다.
• 실명된 얼굴 복원저화질 또는 흐릿한 얼굴 이미지를 복구합니다.
• 블라인드 이미지 노이즈 제거이미지에서 노이즈를 제거하고 이미지 품질을 개선합니다.
• 확산 모델 생성여러 화질 저하 시나리오를 위한 생성 확산 모델링을 사용한 이미지 복원.
• 사전 교육 모델다양한 유형의 이미지 복원 작업을 지원하기 위해 사전 학습된 다양한 모델을 제공합니다.
• 온라인 데모사용자가 이미지 복원 결과를 직접 체험할 수 있도록 온라인 데모를 제공합니다.

도움말 사용

설치 프로세스

1. 클론 창고::

   git clone https://github.com/XPixelGroup/DiffBIR.git
cd DiffBIR

2. 종속성 설치::

   pip install -r requirements.txt

3. 사전 학습된 모델 다운로드사전 학습된 모델을 다운로드하여models디렉토리에 있는 프로젝트 페이지에서 특정 모델 다운로드 링크를 참조하세요.

사용 지침

이미지 복원

1. 입력 이미지 준비하기복원할 이미지를 복원할 이미지를inputs카탈로그.
2. 추론 스크립트 실행::

   python inference.py --input_dir inputs --output_dir outputs

이 명령은inputs디렉토리의 이미지가 복원되고 그 결과는outputs카탈로그.

모델 교육

1. 데이터 집합 준비하기학습 데이터 세트를data카탈로그를 확인하여 데이터 형식이 요구 사항을 충족하는지 확인합니다.
2. 교육 스크립트 실행::

   python train_stage1.py --config configs/train_stage1.yaml
python train_stage2.py --config configs/train_stage2.yaml

이 명령은 1단계와 2단계 학습을 순차적으로 실행하여 최종 수리 모델을 생성합니다.

세부 기능 작동 흐름

1. 블라인드 이미지 초고해상도::
   • 저해상도 이미지를inputs카탈로그.
   • 추론 스크립트를 실행하여 고해상도 이미지를 생성합니다.
   • 프로브outputs결과 이미지를 카탈로그에서 확인하여 수리 효과를 확인할 수 있습니다.
2. 실명된 얼굴 복원::
   • 흐릿하거나 품질이 낮은 얼굴 이미지 배치하기inputs카탈로그.
   • 추론 스크립트를 실행하여 얼굴 이미지를 복구합니다.
   • 프로브outputs결과 이미지를 카탈로그에서 확인하여 수리 효과를 확인할 수 있습니다.
3. 블라인드 이미지 노이즈 제거::
   • 노이즈가 포함된 이미지는inputs카탈로그.
   • 추론 스크립트를 실행하여 이미지에서 노이즈를 제거합니다.
   • 프로브outputs결과 이미지를 카탈로그에서 확인하여 노이즈 제거 효과를 확인할 수 있습니다.

Diffbir 2.1 통합 키트

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