ComfyUI Bringing Old Photos Back to Life

Bequemer BRINGING-ALT-FOTOS-Back-to-Life

Verbessern Sie alte oder minderwertige Bilder in Bequemlichkeitsgründen. Zu den optionalen Funktionen gehören automatische Kratzerentfernung und Gesichtsverbesserung. Erfordert die Installation einer Reihe kleiner Kontrollpunkte und Vaes.

Basierend auf Microsoft/Bringing-Alt-Photos-Back-to-Life.

1. Anforderungen

Stellen Sie vor der Installation sicher, dass eine virtuelle Umgebung aktiviert ist und bei Bedarf die ausführbare Zielpython vor dem PIP -Befehl vorbereiten.

 cd ./ComfyUI-Bringing-Old-Photos-Back-to-Life/
path t o p ython.exe pip install -r requirements.txt --upgrade

Pytorch und Torchvision sind ebenfalls erforderlich, sollten jedoch bereits installiert sein. (Weitere Installationsdetails finden Sie im Haupt -Comfyui -Repo.)

Installation Fehlerbehebung

Sie können auf Probleme stoßen, während Sie versuchen, DLIB unter Windows zu installieren. Hier sind einige mögliche Lösungen:

1. Anforderungen manuell installieren.

Möglicherweise müssen CMAKE bereits auf Ihrem System installiert und CMakebin zu Ihrem Weg hinzugefügt, um DLIB zu erstellen.

path t o p ython.exe -m pip install easydict matplotlib opencv-python scikit-image scipy

path t o p ython.exe -m pip install cmake
path t o p ython.exe -m pip install dlib==19.24.1

2. Finden Sie vorgefertigte Räder online.

Alternativ haben einige Menschen vorgefertigte Räder für DLIB. Mit Ihrer Version von Python können jedoch keine Konsequenzen erstellt werden.

 pathtopython.exe -m pip install pathtodlib.whl

2. Modelle

BOPBTL -Modelle (Stufe 1)

Download - Bopbtl -Modelle

Laden Sie das Modell des alten Fotos restaurieren

Stellen Sie device_ids als von Kommas getrennte Liste der Geräte -IDs (dh 0 oder 1,2 ) fest. Verwenden Sie -1 für CPU.

VAE_A

Platz in models/vae/ .

• restauration/vae_a_Quality/lunchon_net_g.pth

VAE_B

Extrahieren Sie die folgenden Modelle und platzieren Sie sie in models/vae/ .

• restauration/vae_b_quality/lunchon_net_g.pth
• restauration/vae_b_scratch/lunchous_net_g.pth (croboD_detction)

maping_net

Extrahieren Sie die folgenden Modelle und platzieren Sie sie in models/checkpoints/ .

• restauration/maping_Quality/last_net_mapping_net.pth
• restauration/maping_scratch/lasting_net_mapping_net.pth (croboD_detction)
• restauration/maping_patch_attention/lasting_net_mapping_net.pth (maxing_patch_attention)

Laden Sie das Kratzermaskenmodell

Scratch_model

Extrahieren Sie die folgenden Modelle und platzieren Sie sie in models/checkpoints/ .

• Erkennung/ft_epoch_latest.pt

Gesichtserkennungsmodelle (Stufen 2-4)

Lastdetektormodell (DLIB)

Download - Shape_Predictor_68_face_landmarks.dat

Extrahieren Sie die folgenden Modelle und platzieren Sie sie in models/facedetection/ (benutzerdefiniertes Verzeichnis).

SAPHE_PREDICTOR_68_FACE_LANDMARKS

• SAPHE_PREDICTOR_68_FACE_LANDMARKS.DAT

Modellverstärkermodell beladen

Download - Gesichtsverbesserungsmodelle

Extrahieren Sie die folgenden Modelle und platzieren Sie sie in models/checkpoints/ .

Stellen Sie device_ids als von Kommas getrennte Liste der Geräte -IDs (dh 0 oder 1,2 ) fest. Verwenden Sie -1 für CPU.

face_enhance_model

• Setting_9_epoch_100/last_net_g.pth (256x256)
• Facesr_512/last_net_g.pth (512x512)

3. Workflows

BOPBTL + Kratzererkennung und Gesichtsverbesserung (Stufen 1-4)

Gesichtsverbesserung (Fortgeschrittene) (Stufen 2-4)

X4 BOPBTL + Kratzererkennung und Gesichtsverbesserung (Fortgeschrittene) (Stufen 1-4)

Verwenden von bequemen Knoten

Das Ausführen der Modelle kann fehlschlagen, wenn Bildabmessungen nicht mehrfach von 8 oder 16 Pixel sind (abhängig vom verwendeten Modell).

4. Hinweise

• Bilder müssen möglicherweise skaliert/beschnitten/auf die nächsten 8 oder 16 Pixel gepolstert werden, um einen Absturz zu vermeiden. (Verwenden Sie so etwas wie meine anderen bequemen Rundenknoten.)
• "Detect Faces (DLIB)" und "Verbesserung von Gesichtern" gibt derzeit das Originalbild zurück, wenn keine Gesichter gefunden wurden.

Zitat

 @inproceedings { wan2020bringing ,
  title = { Bringing Old Photos Back to Life } ,
  author = { Wan, Ziyu and Zhang, Bo and Chen, Dongdong and Zhang, Pan and Chen, Dong and Liao, Jing and Wen, Fang } ,
  booktitle = { Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition } ,
  pages = { 2747--2757 } ,
  year = { 2020 }
}

 @article { wan2020old ,
  title = { Old Photo Restoration via Deep Latent Space Translation } ,
  author = { Wan, Ziyu and Zhang, Bo and Chen, Dongdong and Zhang, Pan and Chen, Dong and Liao, Jing and Wen, Fang } ,
  journal = { arXiv preprint arXiv:2009.07047 } ,
  year = { 2020 }
}

Lizenz

Die Codes und das vorbereitete Modell in diesem Repository befinden sich unter der MIT -Lizenz, wie in der Lizenzdatei angegeben. Wir verwenden unseren beschrifteten Datensatz, um das Kratzererkennungsmodell zu trainieren.

Dieses Projekt hat den Microsoft Open Source -Verhaltenscode übernommen. Weitere Informationen finden Sie im FAQ oder wenden Sie sich an [email protected] mit zusätzlichen Fragen oder Kommentaren.