Anime2Sketch

Anime2Sketch

Anime2Sketch: Ein Skizzenextraktor zur Illustration, Anime -Kunst, Manga

Von Xiaoyu Xiang

Aktualisierungen

• 2022.1.14: Docker -Umgebung von Kitoria hinzufügen
• 2021.12.25: Update Readme. Frohe Weihnachten!
• 2021.5.24: Beheben Sie einen Interpolationsfehler und einen GPU -Inferenzfehler.
• 2021.5.12: Web -Demo von AK391
• 2021.5.2: Weitere Beispielergebnisse von Anime -Video hochladen.
• 2021.4.30: Laden Sie die Testskripte hoch. Jetzt ist unser Repo bereit zu rennen!
• 2021.4.11: Laden Sie die vorgenannten Gewichte und weitere Testergebnisse hoch.
• 2021.4.8: Erstellen Sie das Repo.

Einführung

Das Repository enthält die Testcodes und die vorbereiteten Gewichte für Anime2Sketch.

Anime2Sketch ist ein Skizzenextraktor, der gut für Illustration, Anime -Kunst und Manga funktioniert. Es handelt sich um eine Anwendung, die auf dem Papier "Gegenteil der offenen Domänenanpassung für die Sketch-zu-Photo-Synthese" basiert.

Voraussetzungen

• Linux, Macos, Docker
• Python 3 (empfehlen, Anaconda zu verwenden)
• CPU- oder NVIDIA GPU + CUDA CUDNN
• Kissen, Pytorch

Fangen an

Installation

Installieren Sie die erforderlichen Pakete: pip install -r requirements.txt

Laden Sie vor pressierte Gewichte herunter

Bitte laden Sie die Gewichte von googledrive herunter und geben Sie sie in die Gewichte/ den Ordner.

Wir haben auch eine artifaktfreie Version des Modells, die mit dunklen / niedrigen Kontrastbildern funktioniert. Sie können die Gewichte von googledrive herunterladen und in Gewichte/ Ordner einfügen.

Prüfen

python3 test.py --dataroot /your_input/dir --load_size 512 --output_dir /your_output/dir

Der obige Befehl enthält drei Argumente:

• DataRoot: Ihre Testdatei oder Ihr Verzeichnis
• Load_size: Aufgrund der Speichergrenze müssen wir das Eingabebild vor der Verarbeitung ändern. Standardmäßig ändern wir es auf 512x512 .
• output_dir: Pfad des Ausgabeverzeichnisses

Führen Sie unser Beispiel aus:

python3 test.py --dataroot test_samples/madoka.jpg --load_size 512 --output_dir results/

Docker

Wenn Sie auf Docker ausführen möchten, können Sie dies einfach tun, indem Sie das Verzeichnis für Eingabe-/Ausgabebilder anpassen.
Bauen Sie das Docker -Bild

make docker-build

Einstellen des Eingangs-/Ausgabesverzeichnisses
Sie können Mount -Volumes für Eingangs-/Ausgangsbilder per MakeFile anpassen. Bitte setzen Sie Ihr Zielverzeichnis ein.

 docker run -it --rm --gpus all -v `pwd`:/workspace -v {your_input_dir}:/input -v {your_output_dir}:/output anime2sketch

Beispiel:

 docker run -it --rm --gpus all -v `pwd`:/workspace -v `pwd`/test_samples:/input -v `pwd`/output:/output anime2sketch

Laufen

make docker-run

Wenn Sie nur CPU ausführen möchten, müssen Sie zwei Dinge beheben (GPU -Optionen entfernen).

• DockerFile CMD-Linie zu CMD [ "python", "test.py", "--dataroot", "/input", "--load_size", "512", "--output_dir", "/output" ]
• Makefile Docker -Run Line to docker run -it --rm -v `pwd`:/workspace -v `pwd`/images/input:/input -v `pwd`/images/output:/output anime2sketch

Zug

Dieses Projekt ist eine Unterbranch von AODA. Bitte überprüfen Sie es für die Trainingsanweisungen.

Weitere Ergebnisse

Unser Modell funktioniert gut auf Illustrationskunst: Verwandeln Sie mit Handgeführten Fotos zu Linearts: Vereinfachen Sie die Freihandskizzen: Und mehr Anime -Ergebnisse:

Kontakt

Xiaoyu Xiang.

Sie können Ihre Fragen auch als Probleme im Repository überlassen. Ich werde froh sein, ihnen zu antworten!

Lizenz

Dieses Projekt wird unter der MIT -Lizenz veröffentlicht.

Zitate

 @misc { Anime2Sketch ,
  author = { Xiaoyu Xiang, Ding Liu, Xiao Yang, Yiheng Zhu, Xiaohui Shen } ,
  title = { Anime2Sketch: A Sketch Extractor for Anime Arts with Deep Networks } ,
  year = { 2021 } ,
  publisher = { GitHub } ,
  journal = { GitHub repository } ,
  howpublished = { url{https://github.com/Mukosame/Anime2Sketch} }
}

@inproceedings { xiang2022adversarial ,
  title = { Adversarial Open Domain Adaptation for Sketch-to-Photo Synthesis } ,
  author = { Xiang, Xiaoyu and Liu, Ding and Yang, Xiao and Zhu, Yiheng and Shen, Xiaohui and Allebach, Jan P } ,
  booktitle = { Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision } ,
  year = { 2022 }
}