Aprimore as imagens antigas ou de baixa qualidade no conformyui. Os recursos opcionais incluem remoção automática de arranhões e aprimoramento do rosto. Requer a instalação de vários pequenos pontos de verificação e VAES.
Baseado na Microsoft/Bringing-Old-Photos-Back-to Life.
Antes de instalar, verifique se qualquer ambiente virtual está ativado e, se necessário, adie o executável do Python de destino antes do comando pip.
cd ./ComfyUI-Bringing-Old-Photos-Back-to-Life/
path t o p ython.exe pip install -r requirements.txt --upgradePytorch e Torchvision também são necessários, mas já devem ser instalados. (Consulte o repositório principal principal para obter detalhes da instalação.)
Você pode encontrar problemas ao tentar instalar o DLIB no Windows. Aqui estão algumas soluções possíveis:
Pode ser necessário ter o cmake já instalado no seu sistema e CMakebin adicionado ao seu caminho para criar o 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==19.24.1Como alternativa, algumas pessoas têm rodas pré-construídas para o DLIB, no entanto, pode não haver nenhuma construção com sua versão do Python.
pathtopython.exe -m pip install pathtodlib.whl
Download - Modelos Bopbtl
Definir device_ids como uma lista separada por vírgula de IDs de dispositivo (ou seja, 0 ou 1,2 ). Use -1 para CPU.
Coloque em models/vae/ .
Extraia os seguintes modelos e coloque -os dentro models/vae/ .
Extraia os seguintes modelos e coloque -os dentro models/checkpoints/ .
Extraia os seguintes modelos e coloque -os dentro models/checkpoints/ .
Download - Shape_Predictor_68_face_landmarks.dat
Extraia os seguintes modelos e coloque -os dentro models/facedetection/ (diretório personalizado).
Download - modelos de aprimoramento de rosto
Extraia os seguintes modelos e coloque -os dentro models/checkpoints/ .
Definir device_ids como uma lista separada por vírgula de IDs de dispositivo (ou seja, 0 ou 1,2 ). Use -1 para CPU.
A execução dos modelos pode falhar se as dimensões da imagem não forem múltiplos de 8 ou 16 pixels (depende do modelo usado).
@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 }
}Os códigos e o modelo pré -treinado neste repositório estão sob a licença do MIT, conforme especificado pelo arquivo de licença. Usamos nosso conjunto de dados rotulado para treinar o modelo de detecção de arranhões.
Este projeto adotou o Código de Conduta Open Microsoft. Para obter mais informações, consulte o Código de Conduta Perguntas frequentes ou entre em contato com [email protected] com quaisquer perguntas ou comentários adicionais.
