EDVR Download – Download EDVR Quellcodes

EDVR

Python

1.0.0

Herunterladen

EDVR wurde in BasicSR integriert. Dieses GitHub-Repo ist ein Spiegel von BasicSR. Empfehlen Sie die Verwendung von BasicSR und offene Probleme, Pull-Requests usw. in BasicSR.

Beachten Sie, dass diese Version nicht mit früheren Versionen kompatibel ist. Wenn Sie frühere Versionen verwenden möchten, lesen Sie bitte den Zweig old_version .

BasicSR

Englisch |简体中文 GitHub | Gitee码云

Google Colab: GitHub-Link | Google Drive-Link
Ⓜ️ Modellzoo ⏬ Google Drive: Vorab trainierte Modelle | Reproduzierte Experimente ⏬ 百度网盘: 预训练模型|复现实验
? Datensätze ⏬ Google Drive ⏬ 百度网盘 (提取码:basr)
? Trainingskurven in wandb
Befehle für Training und Tests
⚡ HOWTOs

BasicSR ( Basic Super Restoration ) ist eine Open-Source-Toolbox zur Bild- und Videowiederherstellung auf Basis von PyTorch, z. B. Superauflösung, Rauschunterdrückung, Unschärfe, Entfernung von JPEG-Artefakten usw.
_{(ESRGAN, EDVR, DNI, SFTGAN)} _{(HandyView, HandyFigure, HandyCrawler, HandyWriting)}

Neue Funktionen

29. November 2020. ESRGAN- und DFDNet- Colab-Demo hinzufügen.
8. September 2020. Inferenzcodes für die Wiederherstellung blinder Gesichter hinzufügen: DFDNet.
27. August 2020. StyleGAN2-Trainings- und Testcodes hinzufügen: StyleGAN2.

Mehr

8. September 2020. Inferenzcodes für die Wiederherstellung blinder Gesichter hinzufügen: DFDNet .
ECCV20: Wiederherstellung blinder Gesichter mithilfe umfassender, mehrskaliger Komponentenwörterbücher
Xiaoming Li, Chaofeng Chen, Shangchen Zhou, Xianhui Lin, Wangmeng Zuo und Lei Zhang
27. August 2020. StyleGAN2- Trainings- und Testcodes hinzufügen.
CVPR20: Analyse und Verbesserung der Bildqualität von StyleGAN
Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten, Jaakko Lehtinen und Timo Aila
19. August 2020. Ein brandneues BasicSR v1.0.0 online.

⚡ HOWTOs

Wir bieten einfache Pipelines zum Trainieren/Testen/Inferenzieren von Modellen für einen schnellen Einstieg. Diese Pipelines/Befehle können nicht alle Fälle abdecken. Weitere Einzelheiten finden Sie in den folgenden Abschnitten.

GAN
StilGAN2	Zug	Schlussfolgerung
Gesichtswiederherstellung
DFDNet	-	Schlussfolgerung
Superauflösung
ESRGAN	TODO	TODO	SRGAN	TODO	TODO
EDSR	TODO	TODO	SRResNet	TODO	TODO
RCAN	TODO	TODO
EDVR	TODO	TODO	DUF	-	TODO
BasicVSR	TODO	TODO	TOF	-	TODO
Entschärfen
DeblurGANv2	-	TODO
Denoise
RIDNet	-	TODO	CBDNet	-	TODO

? Abhängigkeiten und Installation

Python >= 3.7 (Empfehlen Sie die Verwendung von Anaconda oder Miniconda)
PyTorch >= 1.3
NVIDIA GPU + CUDA

Klon-Repo

git clone https://github.com/xinntao/BasicSR.git

Abhängige Pakete installieren

 cd BasicSR
pip install -r requirements.txt

Installieren Sie BasicSR
Bitte führen Sie die folgenden Befehle im BasicSR-Root-Pfad aus, um BasicSR zu installieren:
(Stellen Sie sicher, dass Ihre GCC-Version: gcc >= 5)
Wenn Sie die Cuda-Erweiterungen nicht benötigen:
dcn für EDVR
upfirdn2d und Fused_act für StyleGAN2
Bitte fügen Sie bei der Installation --no_cuda_ext hinzu
```
python setup.py develop --no_cuda_ext
```
Wenn Sie das EDVR- und StyleGAN2-Modell verwenden, sind die oben genannten Cuda-Erweiterungen erforderlich.
```
python setup.py develop
```
Möglicherweise möchten Sie auch die CUDA-Pfade angeben:
```
CUDA_HOME=/usr/local/cuda 
CUDNN_INCLUDE_DIR=/usr/local/cuda 
CUDNN_LIB_DIR=/usr/local/cuda 
python setup.py develop
```

Beachten Sie, dass BasicSR nur in Ubuntu getestet wurde und möglicherweise nicht für Windows geeignet ist. Sie können Windows WSL mit CUDA-Unterstützung ausprobieren :-) (Es ist jetzt nur für Insider-Builds mit Fast Ring verfügbar).

⏳ TODO-Liste

Bitte beachten Sie die Projektboards.

? Datensatzvorbereitung

Weitere Informationen finden Sie unter DatasetPreparation.md .
Die Beschreibungen der derzeit unterstützten Datensätze ( torch.utils.data.Dataset -Klassen) finden Sie in Datasets.md.

Trainieren und testen

Trainings- und Testbefehle : Die grundlegende Verwendung finden Sie in TrainTest.md .
Optionen/Konfigurationen : Bitte beachten Sie Config.md.
Protokollierung : Bitte beachten Sie Logging.md.

? Modellzoo und Basislinien

Die Beschreibungen der derzeit unterstützten Modelle finden Sie in Models.md.
Vorab trainierte Modelle und Protokollbeispiele sind in ModelZoo.md verfügbar.
Wir bieten auch Trainingskurven in wandb an:

Codebasis-Designs und -Konventionen

Die Designs und Konventionen der BasicSR-Codebasis finden Sie unter DesignConvention.md.
Die folgende Abbildung zeigt den Gesamtrahmen. Weitere Beschreibungen für jede Komponente:
Datensätze.md | Models.md | Config.md | Logging.md

Gesamtstruktur

Lizenz und Anerkennung

Dieses Projekt wird unter der Apache 2.0-Lizenz veröffentlicht.
Weitere Einzelheiten zur Lizenz und Anerkennung finden Sie in LIZENZ.

? Zitate

Wenn BasicSR Ihrer Forschung oder Arbeit hilft, denken Sie bitte darüber nach, BasicSR zu zitieren.
Das Folgende ist eine BibTeX-Referenz. Der BibTeX-Eintrag erfordert die url des LaTeX-Pakets.

@misc{wang2020basicsr,
  author =       {Xintao Wang and Ke Yu and Kelvin C.K. Chan and
                  Chao Dong and Chen Change Loy},
  title =        {BasicSR},
  howpublished = { url {https://github.com/xinntao/BasicSR}},
  year =         {2020}
}