OPR：智能修复泛黄、破损老旧照片的AI工具

综合介绍

“Bringing Old Photos Back to Life”是微软研究团队开发的一个开源项目，专注于利用AI技术修复老旧照片。它基于深度学习方法，能够处理照片中的严重退化问题，如划痕、模糊和褪色等，让历史影像重焕新生。该项目在2020年CVPR（计算机视觉与模式识别会议）上以口头报告形式发表，受到广泛关注。用户可以通过GitHub访问代码和预训练模型，适用于研究或个人照片修复需求。项目不仅提供技术实现，还包括详细文档和示例，方便开发者与爱好者使用。

在线体验地址：https://colab.research.google.com/drive/1NEm6AsybIiC5TwTU_4DqDkQO0nFRB-uA?usp=sharing

功能列表

• 老照片整体质量提升：通过AI算法改善照片的清晰度、对比度和色彩。
• 划痕自动修复：检测并修复照片上的物理划痕，恢复原始图像细节。
• 人脸区域增强：针对人脸区域进行精细化处理，提升面部特征的清晰度。
• 高分辨率支持：支持处理较高分辨率的照片，适用于专业修复需求。
• 用户界面操作：提供GUI界面，简化照片上传和修复流程。
• 自定义训练模型：允许用户根据需求训练特定数据集，扩展适用场景。

使用帮助

安装流程

要使用“Bringing Old Photos Back to Life”，需要先完成环境配置和代码安装。以下是详细步骤，适用于Ubuntu系统（Windows用户需根据环境调整）：

1. 准备环境

• 系统要求：Ubuntu（推荐），支持Nvidia GPU和CUDA。
• Python版本：确保安装Python 3.6或以上版本。
• 依赖安装：
  1. 打开终端，输入以下命令安装必要库：

     pip install torch torchvision numpy opencv-python PySimpleGUI
     

  2. 如果需要GPU支持，确保已安装CUDA和对应版本的PyTorch。

2. 下载代码和模型

• 克隆仓库：

  git clone https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life.git
  cd Bringing-Old-Photos-Back-to-Life

• 同步批标准化模块：
  1. 进入Face_Enhancement/models/networks/目录：

     cd Face_Enhancement/models/networks/
     git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
     cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm ./
     cd ../../../
     

  2. 进入Global/detection_models/目录重复上述操作：

     cd Global/detection_models/
     git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
     cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm ./
     cd ../../
     

• 下载预训练模型：
  1. 进入Face_Enhancement/目录，下载人脸增强模型：

     cd Face_Enhancement/
     wget https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life/releases/download/v1.0/face_checkpoints.zip
     unzip face_checkpoints.zip
     cd ../
     

  2. 进入Global/目录，下载全局修复模型：

     cd Global/
     wget https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life/releases/download/v1.0/global_checkpoints.zip
     unzip global_checkpoints.zip
     cd ../
     

• 人脸检测模型：
  1. 进入Face_Detection/目录，下载检测文件：

     cd Face_Detection/
     wget http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
     bzip2 -d shape_predictor_68_face_landmarks.dat.bz2
     cd ../
     

3. 测试安装

• 运行示例命令确认环境无误：

  python run.py --input_folder ./test_images --output_folder ./output --GPU 0
  

• 如果成功，修复后的照片将保存在./output/final_output/目录。

使用方法

通过命令行操作

1. 准备输入文件夹：将需要修复的老照片放入一个文件夹（如test_images/）。
2. 运行修复命令：
   • 无划痕修复：

     python run.py --input_folder /path/to/test_images --output_folder /path/to/output --GPU 0
     

   • 含划痕修复：

     python run.py --input_folder /path/to/test_images --output_folder /path/to/output --GPU 0 --with_scratch
     

3. 查看结果：修复后的照片会自动保存到指定的输出文件夹（如/path/to/output/final_output/）。

通过GUI界面操作

1. 启动GUI：

   python GUI.py
   

2. 操作步骤：
   • 点击“选择照片”按钮，上传需要修复的老照片。
   • 点击“修改照片”按钮，等待处理完成（时间取决于照片大小和硬件性能）。
   • 处理完成后，结果会显示在界面上，同时保存至./output/文件夹。
   • 点击“退出窗口”关闭程序。

特色功能操作流程

1. 划痕修复

• 适用场景：照片有明显物理划痕。
• 操作方法：
  1. 在命令行中添加--with_scratch参数，或在GUI中勾选相关选项（若支持）。
  2. 系统会自动检测划痕区域并进行修复，过程可能稍长。
  3. 检查输出结果，划痕部分应被平滑填补。

2. 人脸增强

• 适用场景：照片中人脸模糊或细节缺失。
• 操作方法：
  1. 确保Face_Enhancement/目录下的模型正确加载。
  2. 运行时，系统会自动识别人脸区域并进行精细化处理。
  3. 输出照片中人脸细节（如眼睛、嘴角）会更加清晰。

3. 高分辨率处理

• 适用场景：需要修复高分辨率扫描照片。
• 操作方法：
  1. 在命令行中添加--HR参数：

     python run.py --input_folder /path/to/test_images --output_folder /path/to/output --GPU 0 --HR
     

  2. 注意：由于模型默认训练于256x256分辨率，高分辨率可能需要更多计算资源。

注意事项

• 路径问题：建议使用绝对路径（如/home/user/test_images）以避免错误。
• 性能优化：项目尚未针对运行速度优化，大尺寸照片可能处理较慢。
• 分辨率限制：最佳效果在256x256像素，超大分辨率可能需分块处理。

通过以上步骤，用户可轻松上手修复老照片，无论是个人回忆还是研究用途，都能获得满意结果。