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
- 클론 창고::
git clone https://github.com/XPixelGroup/DiffBIR.git
cd DiffBIR
- 종속성 설치::
pip install -r requirements.txt
- 사전 학습된 모델 다운로드사전 학습된 모델을 다운로드하여
models
디렉토리에 있는 프로젝트 페이지에서 특정 모델 다운로드 링크를 참조하세요.
사용 지침
이미지 복원
- 입력 이미지 준비하기복원할 이미지를 복원할 이미지를
inputs
카탈로그. - 추론 스크립트 실행::
python inference.py --input_dir inputs --output_dir outputs
이 명령은inputs
디렉토리의 이미지가 복원되고 그 결과는outputs
카탈로그.
모델 교육
- 데이터 집합 준비하기학습 데이터 세트를
data
카탈로그를 확인하여 데이터 형식이 요구 사항을 충족하는지 확인합니다. - 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
- 블라인드 이미지 초고해상도::
- 저해상도 이미지를
inputs
카탈로그. - 추론 스크립트를 실행하여 고해상도 이미지를 생성합니다.
- 프로브
outputs
결과 이미지를 카탈로그에서 확인하여 수리 효과를 확인할 수 있습니다.
- 저해상도 이미지를
- 실명된 얼굴 복원::
- 흐릿하거나 품질이 낮은 얼굴 이미지 배치하기
inputs
카탈로그. - 추론 스크립트를 실행하여 얼굴 이미지를 복구합니다.
- 프로브
outputs
결과 이미지를 카탈로그에서 확인하여 수리 효과를 확인할 수 있습니다.
- 흐릿하거나 품질이 낮은 얼굴 이미지 배치하기
- 블라인드 이미지 노이즈 제거::
- 노이즈가 포함된 이미지는
inputs
카탈로그. - 추론 스크립트를 실행하여 이미지에서 노이즈를 제거합니다.
- 프로브
outputs
결과 이미지를 카탈로그에서 확인하여 노이즈 제거 효과를 확인할 수 있습니다.
- 노이즈가 포함된 이미지는
Diffbir 2.1 통합 키트
Quark: https://pan.quark.cn/s/1e90834438e3
© 저작권 정책
기사 저작권 AI 공유 서클 모두 무단 복제하지 마세요.
관련 문서
댓글 없음...