DiffBIR: интеллектуальный инструмент для улучшения качества изображений

Общее введение

DiffBIR (Blind Image Restoration with Generative Diffusion Prior) - это инструмент для восстановления изображений, разработанный компанией XPixelGroup и предназначенный для слепого восстановления изображений с помощью генеративных диффузионных моделей. DiffBIR использует усовершенствованную генеративную диффузионную модель для создания высококачественных восстановленных изображений, не полагаясь на конкретную модель деградации. Проект находится в открытом доступе на GitHub и предоставляет подробные инструкции и предварительно обученные модели, чтобы облегчить пользователям решение задач по восстановлению изображений.

Опыт работы в Интернете: https://replicate.com/zsxkib/diffbir

Список функций

• Слепое сверхразрешение изображений: Повышает четкость и детализацию изображений с низким разрешением.
• Восстановление лица вслепую: Исправление некачественных или размытых изображений лиц.
• Обесцвечивание изображений вслепую: Удаляет шум с изображения и улучшает его качество.
• Создание моделей диффузии: Восстановление изображений с помощью генеративного моделирования диффузии для нескольких сценариев деградации.
• Модель предварительного обучения: Предоставляет множество предварительно обученных моделей для поддержки различных типов задач восстановления изображений.
• Онлайн-демонстрация: Для того чтобы пользователи могли непосредственно ознакомиться с результатами восстановления изображений, предусмотрена демонстрационная онлайн-версия.

Использование помощи

Процесс установки

1. склад клонов::

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

2. Установка зависимостей::

   pip install -r requirements.txt

3. Загрузите предварительно обученную модель: Загрузите предварительно обученную модель вmodelsкаталог, ссылки на скачивание конкретных моделей см. на странице проекта.

Инструкция по применению

Реставрация изображений

1. Подготовка входного изображения: Поместите восстанавливаемое изображение вinputsКаталог.
2. Запуск сценариев вывода::

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

Эта команда внесет изменения вinputsИзображения в каталоге восстанавливаются, а результаты сохраняются вoutputsКаталог.

обучение модели

1. Подготовка набора данных: Поместите обучающий набор данных вdataкаталог, чтобы убедиться, что формат данных соответствует требованиям.
2. Запустите сценарий обучения::

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

Эта команда последовательно выполнит первый и второй этапы обучения для создания окончательной модели ремонта.

Подробный порядок работы функций

1. Слепое сверхразрешение изображений::
   • Размещение изображения с низким разрешением наinputsКаталог.
   • Запустите сценарии вывода для создания изображений высокого разрешения.
   • зондoutputsпросмотрите полученное изображение в каталоге, чтобы подтвердить эффект ремонта.
2. Восстановление лица вслепую::
   • Размещение размытого или низкокачественного изображения лица наinputsКаталог.
   • Запустите сценарий вывода для восстановления изображения лица.
   • зондoutputsпросмотрите полученное изображение в каталоге, чтобы подтвердить эффект ремонта.
3. Обесцвечивание изображений вслепую::
   • Изображение, содержащее шум, помещается вinputsКаталог.
   • Запустите сценарий вывода, чтобы удалить шум с изображения.
   • зондoutputsдля подтверждения эффекта обесцвечивания.

Интеграционный комплект Diffbir 2.1

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