الصفحة الرئيسية>المتعلقة بالبرمجة>بايثون
تنزيل

liif

يحتوي هذا المستودع على التنفيذ الرسمي لـ LIIF الذي تم تقديمه في الورقة التالية:

تعلم تمثيل الصور المستمر مع وظيفة الصورة الضمنية المحلية
Yinbo Chen ، Sifei Liu ، Xiaolong Wang
CVPR 2021 (عن طريق الفم)

توجد صفحة المشروع مع الفيديو في https://yinboc.github.io/liif/.

اقتباس

إذا وجدت عملنا مفيدًا في بحثك ، فيرجى الاستشهاد: 

 @inproceedings{chen2021learning,
  title={Learning continuous image representation with local implicit image function},
  author={Chen, Yinbo and Liu, Sifei and Wang, Xiaolong},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={8628--8638},
  year={2021}
}

بيئة

  • بيثون 3
  • Pytorch 1.6.0
  • Tensorboardx
  • Yaml ، Numpy ، TQDM ، Imageio

بداية سريعة

  1. قم بتنزيل نموذج Div2K تم تدريبه مسبقًا.
نموذج حجم الملف تحميل
edsr-baseline-liif 18 م Dropbox | محرك Google
RDN-LIIF 256m Dropbox | محرك Google
  1. قم بتحويل صورتك إلى liif وقدمها بدقة معينة (مع GPU 0 ، [MODEL_PATH] يشير إلى ملف .pth ) 
 python demo.py --input xxx.png --model [MODEL_PATH] --resolution [HEIGHT],[WIDTH] --output output.png --gpu 0

استنساخ التجارب

بيانات

mkdir load لوضع مجلدات مجموعة البيانات.

  • Div2K : mkdir و cd في load/div2k . قم بتنزيل صور الموارد البشرية والتحقق من صحة Bicubic من موقع Div2K (أي Train_Hr ، alvelod_hr ، appal_lr_x2 ، appalit_lr_x3 ، valid_lr_x4). unzip هذه الملفات للحصول على مجلدات الصور.

  • مجموعات البيانات القياسية : cd في load/ . قم بتنزيل و tar -xf مجموعات البيانات القياسية (المقدمة من هذا الريبو) ، احصل على مجلد load/benchmark مع المرتبات الفرعية Set5/, Set14/, B100/, Urban100/ .

  • Comebahq : mkdir load/celebAHQ و cp scripts/resize.py load/celebAHQ/ ، ثم cd load/celebAHQ/ . قم unzip Data1024x1024.zip من رابط محرك Google (المقدم من هذا الريبو). Run python resize.py واحصل على مجلدات الصور 256/, 128/, 64/, 32/ . قم بتنزيل split.json.

تشغيل الرمز

0

  • لـ train_liif.py أو test.py ، استخدم --gpu [GPU] لتحديد وحدات معالجة الرسومات (على سبيل المثال --gpu 0 أو --gpu 0,1 ).

  • لـ train_liif.py ، افتراضيًا ، يكون المجلد حفظ في save/_[CONFIG_NAME] . يمكننا استخدام --name لتحديد اسم إذا لزم الأمر.

  • بالنسبة إلى Args مجموعة البيانات في التكوينات ، تقوم cache: in_memory تشير إلى التحميل المسبق إلى الذاكرة (قد تتطلب ذاكرة كبيرة ، على سبيل المثال 40 جيجابايت لـ Div2K) ، cache: bin إلى إنشاء ملفات ثنائية (في مجلد الأخوة) للمرة الأولى ، cache: none يدل على التحميل المباشر. يمكننا تعديله وفقًا لموارد الأجهزة قبل تشغيل البرامج النصية التدريبية.

1. تجارب Div2K

Train : python train_liif.py --config configs/train-div2k/train_edsr-baseline-liif.yaml (مع العمود الفقري Edsr-Baseline ، لـ RDN استبدال edsr-baseline بـ rdn ). نستخدم وحدة معالجة الرسومات 1 لتدريب EDSR-Baseline-LIIF و 4 وحدات معالجة الرسومات لـ RDN-LIIF.

الاختبار : bash scripts/test-div2k.sh [MODEL_PATH] [GPU] لمجموعة التحقق من صحة Div2K ، bash scripts/test-benchmark.sh [MODEL_PATH] [GPU] لمجموعات البيانات القياسية. [MODEL_PATH] هو المسار إلى ملف .pth ، نستخدم epoch-last.pth في مجلد حفظ المقابل.

2. تجارب Comebahq

Train : python train_liif.py --config configs/train-celebAHQ/[CONFIG_NAME].yaml .

الاختبار : python test.py --config configs/test/test-celebAHQ-32-256.yaml --model [MODEL_PATH] (أو test-celebAHQ-64-128.yaml لمهمة أخرى). نحن نستخدم epoch-best.pth في مجلد حفظ المقابل.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل