Anime InPainting
1.0.0
Englisch | 中文版介绍
2019.3.27 Update:
Unsere neueste Zeichenmethode PI-REC ist leistungsfähiger.
Schauen Sie sich es an und ich bin sicher, es wird Sie nicht enttäuschen.
Dies ist ein optimiertes Anwendungswerkzeug, das über Opencv basiert und dessen Backend-Edge-Konnect verwendet wird. Stellen Sie sicher, dass Sie ihre großartige Arbeit und Lizenz gründlich gelesen haben. Im Vergleich zur ursprünglichen Arbeit hat dieses Projekt solche Verbesserungen :
config.ymlSie können das erstaunliche Anime -Inpaint hier bequem machen.
Und detailliertes Trainingshandbuch wird veröffentlicht. Sie können Ihren eigenen Datensatz jetzt reibungslos trainieren.
1.0 ( 0.4 wird nicht unterstützt)pip install -r requirements.txtIch möchte das Werkzeug ausführen! Beruhigen Sie sich und folgen Sie einem solchen Schritt:
Info: Die folgenden Gewichtsdateien werden im Anime -Face -Datensatz trainiert, der bei einem großen Anime -Charakter nicht gut ausführt.
.7z und legen Sie ihn unter Ihr Wurzelverzeichnis. Stellen Sie also sicher, dass Ihr Pfad jetzt: ./model/getchu/<xxxxx.pth> ist./model/getchu/config.yml wie Sie möchtenpython tool_patch.py --path model/getchu/python tool_patch.py --edge --path model/getchu/python tool_patch.py -hPs. Sie können ein gut ausgebildetes Modell ausführen, nicht nur über einem. Sie können mehr Modellgewichtsdateien aus der ursprünglichen Arbeitskante-Konnect herunterladen. Dann können Sie das Werkzeug wie oben ausführen. Nur eine Sache, um vorsichtig zu sein: Die
config.ymlin diesem Projekt hat einige zusätzliche Optionen als die Konfiguration von der Edge-Connect.
Für ein detailliertes Handbuch finden Sie Ihre terminal oder __doc__ in tool_patch.py .
Unten finden Sie das vereinfachte Werkzeugbetriebshandbuch:
| Schlüssel | Beschreibung |
|---|---|
Left | Zeichnen Sie den defekten Bereich in der input und zeichnen Sie die Kante in der edge |
Maus Right | Um die Kante in der edge zu löschen |
Schlüssel [ | Um die Bürstendicke kleiner zu machen |
Schlüssel ] | Damit die Bürstenstärke größer machen |
Schlüssel 0 | Todo |
Schlüssel 1 | Todo |
Schlüssel n | Um den schwarzen Teil des Bildes zu patchen, verwenden Sie einfach das Eingabebild |
Schlüssel e | Um den schwarzen Teil des Bildes zu patchen, verwenden Sie das Eingabebild und bearbeiten Sie die Kante (funktionieren Sie nur unter geöffnetem Edgefenster). |
Schlüssel r | Das Setup zurücksetzen |
Schlüssel s | Um die Ausgabe zu speichern |
Schlüssel q | Zu beenden |
Klicken Sie hier -> Trainingshandbuch selbst
2019.3.27 更新:
我们的最新模型 pi-rec 更强大.
如果你想用最新的 ai 绘画黑科技 ， 而非仅仅是修补图像 ， 请点击上面的链接?
Werkzeug 效果看上面? | Bilibili ： ： zu tun
这是图像修补方向最新研究成果 Kantenbauer 的阿姆斯特朗氮气加速魔改（优化）版。 用Opencv写了个前端部分 ， 后端是 Kantenbahnung ， 方便当作工具使用。 此工具可以用来自动图像修补 ， 去马赛克 …… 同样优化了模型训练的过程。具体优化内容请看英文版 Verbesserungen。
更新 ： 训练手册已经填坑完发布了！你可以照着指南训练自己数据集了 ~
1.0 ( 0.4会报错)config.yml中的DEVICE ） pip install -r requirements.txt教练！我有个大胆的想法? …… 别急 ， ： ：
注意 ： 以下模型是在动漫头像数据集上训练的 ， 所以对动漫全身大图修补效果一般 ， 想自己再训练的参考下面的训练指南 想自己再训练的参考下面的训练指南
.7z放到你的根目录下. 确保你的目录现在是这样: ./model/getchu/<xxxxx.pth>./model/getchu/config.yml配置文件python tool_patch.py --path model/getchu/python tool_patch.py --edge --path model/getchu/python tool_patch.py -hPs. 你也能用 Werkzeug 跑别的任何模型 ， 在这里下载原作更多模型 Kantenbindung. 文件组织方式参考上面 ， 其余运行命令都一样。唯一注意的是这个项目的
config.yml比原作的多了几个选项 ， 报错了的话注意修改。 报错了的话注意修改。
详细内容请翻看控制台的打印内容 ， 或查看tool_patch.py里的__doc__
简略版 Werkzeug 使用指南 ：
| 按键 | 说明 |
|---|---|
| 鼠标左键 | Eingabe 窗口 ： 画出瑕疵区域的遮盖 ， Kante 窗口 ： 手动画边缘 |
| 鼠标右键 | Kante 窗口 ： 橡皮擦 |
按键[ | 笔刷变细 （控制台打印粗细大小） （控制台打印粗细大小） |
按键] | 笔刷变粗 |
按键0 | Todo |
按键1 | Todo |
按键n | 修补黑色涂抹区域 ， 只使用一张输入图片 |
按键e | 修补黑色涂抹区域 ， 使用输入图片和边缘图片（仅当 Kante 窗口启动时有效） |
按键r | 全部重置 |
按键s | 保存输出图片 |
按键q | 退出 |
训练指南 -> 阅读
Lizenziert unter einem Creative Commons Attribution-Noncommercial 4.0 International.
Sofern sonst anderweitig festgestellt wird, wird dieser Inhalt unter einer CC-BY-NC-Lizenz veröffentlicht, was bedeutet, dass Sie den Inhalt kopieren, remix, transformieren und aufbauen können, solange Sie das Material nicht für kommerzielle Zwecke verwenden und angemessene Anweisungen angeben und einen Link zur Lizenz anbieten.
Wenn Sie diesen Code für Ihre Forschung verwenden, zitieren Sie bitte unser Papier EdgeConnect: Generative Image Inpainting mit kontroversem Randlernen:
@inproceedings{nazeri2019edgeconnect,
title={EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning},
author={Nazeri, Kamyar and Ng, Eric and Joseph, Tony and Qureshi, Faisal and Ebrahimi, Mehran},
journal={arXiv preprint},
year={2019},
}
