Téléchargement EDVR - Téléchargement du code source EDVR

EDVR

Python

1.0.0

Télécharger

EDVR a été fusionné avec BasicSR. Ce dépôt GitHub est un miroir de BasicSR. Il est recommandé d'utiliser BasicSR et d'ouvrir des problèmes, des demandes d'extraction, etc. dans BasicSR.

Notez que cette version n'est pas compatible avec les versions précédentes. Si vous souhaitez utiliser les précédents, veuillez vous référer à la branche old_version .

BasiqueSR

Anglais |简体中文 GitHub | Gîte码云

Google Colab : lien GitHub | Lien Google Drive
Ⓜ️ Model Zoo ⏬ Google Drive : modèles pré-entraînés | Expériences reproduites ⏬ 百度网盘 : 预训练模型|复现实验
? Ensembles de données ⏬ Google Drive ⏬ 百度网盘 (提取码:basr)
? Courbes d'entraînement dans wandb
Commandes pour la formation et les tests
⚡ HOWTO

BasicSR ( Basic Super Restoration ) est une boîte à outils open source de restauration d'images et de vidéos basée sur PyTorch, telle que la super-résolution, le débruitage, la suppression du flou, la suppression des artefacts JPEG, etc.
_{(ESRGAN, EDVR, DNI, SFTGAN)} _{(HandyView, HandyFigure, HandyCrawler, HandyWriting)}

Nouvelles fonctionnalités

29 novembre 2020. Ajoutez la démo collaborative ESRGAN et DFDNet .
8 septembre 2020. Ajouter des codes d'inférence pour la restauration des visages aveugles : DFDNet.
27 août 2020. Ajoutez les codes de formation et de test StyleGAN2 : StyleGAN2.

Plus

8 septembre 2020. Ajouter des codes d'inférence pour la restauration des visages aveugles : DFDNet .
ECCV20 : Restauration des visages aveugles via des dictionnaires de composants multi-échelles approfondis
Xiaoming Li, Chaofeng Chen, Shangchen Zhou, Xianhui Lin, Wangmeng Zuo et Lei Zhang
27 août 2020. Ajoutez des codes de formation et de test StyleGAN2 .
CVPR20 : analyse et amélioration de la qualité d'image de StyleGAN
Tero Karras, Samuli Laine, Miika Aittala, Janne Hellsten, Jaakko Lehtinen et Timo Aila
19 août 2020. Un tout nouveau BasicSR v1.0.0 en ligne.

⚡ HOWTO

Nous fournissons des pipelines simples pour former/tester/inférencer des modèles pour un démarrage rapide. Ces pipelines/commandes ne peuvent pas couvrir tous les cas et plus de détails se trouvent dans les sections suivantes.

GAN
StyleGAN2	Former	Inférence
Restauration du visage
DFDNet	-	Inférence
Super résolution
ESRGAN	FAIRE	FAIRE	SRGAN	FAIRE	FAIRE
EDSR	FAIRE	FAIRE	SRResNet	FAIRE	FAIRE
ARC	FAIRE	FAIRE
EDVR	FAIRE	FAIRE	DUF	-	FAIRE
BasiqueVSR	FAIRE	FAIRE	TOF	-	FAIRE
Déflouage
DéflouGANv2	-	FAIRE
Débruit
RIDNet	-	FAIRE	CBDNet	-	FAIRE

? Dépendances et installation

Python >= 3.7 (il est recommandé d'utiliser Anaconda ou Miniconda)
PyTorch >= 1.3
GPU NVIDIA + CUDA

Cloner le dépôt

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

Installer les packages dépendants

 cd BasicSR
pip install -r requirements.txt

Installer BasicSR
Veuillez exécuter les commandes suivantes dans le chemin racine de BasicSR pour installer BasicSR :
(Assurez-vous que votre version de GCC : gcc >= 5)
Si vous n'avez pas besoin des extensions cuda :
DCN pour EDVR
upfirdn2d et fused_act pour StyleGAN2
veuillez ajouter --no_cuda_ext lors de l'installation
```
python setup.py develop --no_cuda_ext
```
Si vous utilisez le modèle EDVR et StyleGAN2, les extensions cuda ci-dessus sont nécessaires.
```
python setup.py develop
```
Vous souhaiterez peut-être également spécifier les chemins CUDA :
```
CUDA_HOME=/usr/local/cuda 
CUDNN_INCLUDE_DIR=/usr/local/cuda 
CUDNN_LIB_DIR=/usr/local/cuda 
python setup.py develop
```

Notez que BasicSR est uniquement testé sous Ubuntu et peut ne pas convenir à Windows. Vous pouvez essayer Windows WSL avec la prise en charge de CUDA :-) (Il n'est désormais disponible que pour les builds initiés avec Fast ring).

⏳ Liste À FAIRE

Veuillez consulter les tableaux de projets.

? Préparation de l'ensemble de données

Veuillez vous référer à DatasetPreparation.md pour plus de détails.
Les descriptions des ensembles de données actuellement pris en charge (classes torch.utils.data.Dataset ) se trouvent dans Datasets.md.

Former et tester

Commandes de formation et de test : veuillez consulter TrainTest.md pour l'utilisation de base.
Options/Configs : Veuillez vous référer à Config.md.
Journalisation : veuillez vous référer à Logging.md.

? Zoo modèle et lignes de base

Les descriptions des modèles actuellement pris en charge se trouvent dans Models.md.
Des modèles pré-entraînés et des exemples de journaux sont disponibles dans ModelZoo.md .
Nous fournissons également des courbes de formation dans wandb :

Conceptions et conventions de base de code

Veuillez consulter DesignConvention.md pour les conceptions et les conventions de la base de code BasicSR.
La figure ci-dessous montre le cadre global. Plus de descriptions pour chaque composant :
Ensembles de données.md | Modèles.md | Config.md | Journalisation.md

structure_globale

Licence et reconnaissance

Ce projet est publié sous la licence Apache 2.0.
Plus de détails sur la licence et la reconnaissance se trouvent dans LICENCE.

? Citations

Si BasicSR vous aide dans vos recherches ou votre travail, pensez à citer BasicSR.
Ce qui suit est une référence BibTeX. L'entrée BibTeX nécessite le package url LaTeX.

@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}
}