DeblurGAN

Deblurgan

Arxiv Paper Version

Pytorch -Implementierung des Papiers Deblurgan: Blind Motion Deblurring unter Verwendung von bedingten kontroversen Netzwerken.

Unser Netzwerk nimmt verschwommenes Bild als Eingabe und produziert die entsprechende scharfe Schätzung wie im Beispiel:

Das von uns verwendete Modell ist bedingte Wasserstein Gan mit Gradientenstrafe + Wahrnehmungsverlust basierend auf VGG-19-Aktivierungen. Eine solche Architektur liefert auch gute Ergebnisse zu anderen Bild-zu-Image-Übersetzungsproblemen (Superauflösung, Farbkolorisierung, Inpainting, Neuerung usw.)

Wie man rennt

Voraussetzungen

• Nvidia GPU + CUDA CUDNN (CPU Untest getestet, Feedback geschätzt)
• Pytorch

Laden Sie Gewichte von Google Drive herunter. Beachten Sie, dass Sie während der Schlussfolgerung nur Generatorgewichte aufbewahren müssen.

In die Gewichte setzen

/.checkpoints/experiment_name

Um ein Modell zu testen, geben Sie Ihre verschwommenen Bilder in einen Ordner und führen Sie aus:

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

Daten

Laden Sie den Datensatz für Objekterkennungsbenchmark von Google Drive herunter

Zug

Wenn Sie das Modell auf Ihren Daten trainieren möchten, führen Sie den folgenden Befehl aus, um Bildpaare zu erstellen:

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

Und dann der folgende Befehl, um das Modell zu trainieren

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

Andere Implementierungen

Keras Blog

Keras -Repository

Zitat

Wenn Sie unseren Code in Ihrer Forschung oder Arbeit hilfreich finden, zitieren Sie bitte unser Papier.

 @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
}

Anerkennung

Code leiht sich stark von pix2pix. Die Bilder wurden aus dem Gopro -Testdatensatz - Deepdeblur aufgenommen