Améliorez des images anciennes ou de faible qualité dans Comfyui. Les fonctionnalités facultatives incluent le retrait automatique des rayures et l'amélioration du visage. Nécessite l'installation d'un certain nombre de petits points de contrôle et VAE.
Basé sur Microsoft / apportant des photos-photos-dos à la durée de vie.
Avant l'installation, assurez-vous que tout environnement virtuel est activé et si nécessaire, appliquez l'exécutable Target Python avant la commande PIP.
cd ./ComfyUI-Bringing-Old-Photos-Back-to-Life/
path t o p ython.exe pip install -r requirements.txt --upgradePytorch et TorchVision sont également nécessaires, mais doivent déjà être installés. (Voir le principal dépôt de Comfyui pour les détails de l'installation.)
Vous pouvez rencontrer des problèmes tout en essayant d'installer DLIB sur Windows. Voici quelques solutions possibles:
Vous devrez peut-être que CMake soit déjà installé sur votre système et CMakebin ajouté à votre chemin pour construire DLIB.
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==19.24.1Alternativement, certaines personnes ont des roues prédéfinies pour DLIB, mais il peut ne pas y avoir de construction avec votre version de Python.
pathtopython.exe -m pip install pathtodlib.whl
Télécharger - Modèles Bopbtl
Définissez device_ids comme une liste séparée par des virgules des ID de périphérique (c'est-à-dire 0 ou 1,2 ). Utilisez -1 pour CPU.
Place dans models/vae/ .
Extraire les modèles suivants et les placer à l'intérieur models/vae/ .
Extraire les modèles suivants et les placer à l'intérieur models/checkpoints/ .
Extraire les modèles suivants et les placer à l'intérieur models/checkpoints/ .
Télécharger - Shape_Predictor_68_face_landmarks.dat
Extrairez les modèles suivants et placez-les à l'intérieur models/facedetection/ (Répertoire personnalisé).
Télécharger - Modèles d'amélioration du visage
Extraire les modèles suivants et les placer à l'intérieur models/checkpoints/ .
Définissez device_ids comme une liste séparée par des virgules des ID de périphérique (c'est-à-dire 0 ou 1,2 ). Utilisez -1 pour CPU.
L'exécution des modèles peut échouer si les dimensions de l'image ne sont pas des multiples de 8 ou 16 pixels (dépend du modèle utilisé).
@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 }
}Les codes et le modèle pré-entraîné de ce référentiel sont sous la licence MIT comme spécifié par le fichier de licence. Nous utilisons notre ensemble de données étiqueté pour former le modèle de détection de rayures.
Ce projet a adopté le code de conduite open source Microsoft. Pour plus d'informations, consultez le code de conduite FAQ ou contactez [email protected] avec toute question ou commentaire supplémentaire.
