DeblurGAN Download - DeblurGAN Source Code Download

DeblurGAN

بايثون

1.0.0

تنزيل

ديبلورغان

نسخة الورق Arxiv

تنفيذ Pytorch للورقة DeBlurgan: Motion Motion Deblurring باستخدام شبكات الخصومة الشرطية.

تأخذ شبكتنا صورة ضبابية كمدخل و procude التقدير الحاد المقابل ، كما في المثال:

النموذج الذي نستخدمه هو مشروط WasserStein Gan مع عداد التدرج + الخسارة الإدراكية بناءً على تنشيط VGG-19. تعطي هذه الهندسة المعمارية أيضًا نتائج جيدة في مشاكل ترجمة الصورة إلى الصورة الأخرى (الدقة الفائقة ، واللون ، والتعبير ، والهزيلة وما إلى ذلك)

كيفية الجري

المتطلبات الأساسية

NVIDIA GPU + CUDA CUDNN (وحدة المعالجة المركزية غير المختبرة ، ردود الفعل موضع تقدير)
Pytorch

قم بتنزيل الأوزان من Google Drive. لاحظ أنه أثناء الاستدلال ، تحتاج إلى الحفاظ على أوزان المولد فقط.

ضع الأوزان في

/.checkpoints/experiment_name

لاختبار نموذج ضع صور ضبابية في مجلد وتشغيله:

python test.py --dataroot /.path_to_your_data --model test --dataset_mode single --learn_residual

بيانات

قم بتنزيل مجموعة البيانات لمعايير الكشف عن الكائنات من Google Drive

يدرب

إذا كنت ترغب في تدريب النموذج على بياناتك ، قم بتشغيل الأمر التالي لإنشاء أزواج الصور:

python datasets/combine_A_and_B.py --fold_A /path/to/data/A --fold_B /path/to/data/B --fold_AB /path/to/data

ثم الأمر التالي لتدريب النموذج

python train.py --dataroot /.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE (we used 256)

تطبيقات أخرى

مدونة كيراس

مستودع كيراس

اقتباس

إذا وجدت الكود الخاص بنا مفيدًا في بحثك أو عملك ، فيرجى الاستشهاد بالورقة.

 @article{DeblurGAN,
  title = {DeblurGAN: Blind Motion Deblurring Using Conditional Adversarial Networks},
  author = {Kupyn, Orest and Budzan, Volodymyr and Mykhailych, Mykola and Mishkin, Dmytro and Matas, Jiri},
  journal = {ArXiv e-prints},
  eprint = {1711.07064},
  year = 2017
}