SUPIR
1.0.0
[Papier] [Projektseite] [Online -App]
Fanghua, Yu, Jinjin Gu, Zheyuan Li, Jinfan Hu, Xiangao Kong, Xintao Wang, Jingwen He, Yu Qiao, Chao Dong
Shenzhen Institute of Advanced Technology; Shanghai AI Laboratory; Universität von Sydney; Die Hongkong Polytechnic University; ARC Lab, Tencent PCG; Die chinesische Universität von Hongkong
Klonrepo
git clone https://github.com/Fanghua-Yu/SUPIR.git
cd SUPIRInstallieren Sie abhängige Pakete
conda create -n SUPIR python=3.8 -y
conda activate SUPIR
pip install --upgrade pip
pip install -r requirements.txtLaden Sie Kontrollpunkte herunter
Für Benutzer, die eine Verbindung zum Suggingface herstellen können, setzen Sie bitte LLAVA_CLIP_PATH, SDXL_CLIP1_PATH, SDXL_CLIP2_CKPT_PTH in CKPT_PTH.py als None . Diese Clips werden automatisch heruntergeladen.
SDXL base 1.0_0.9vae für foto realistischSUPIR_v0_Juggernautv9_lightning.yaml verwendet SUPIR-v0Q : Baidu NetDisk, Google Drive
Standardtrainingseinstellungen mit Papier. Hohe Verallgemeinerung und hohe Bildqualität in den meisten Fällen.
SUPIR-v0F : Baidu NetDisk, Google Drive
Training mit leichten Einstellungen. Stadium1-Encoder von SUPIR-v0F bleibt weiterhin Details bei Lichtverschlechterungen.
* [CKPT_PTH.py] --> LLAVA_CLIP_PATH, LLAVA_MODEL_PATH, SDXL_CLIP1_PATH, SDXL_CLIP2_CACHE_DIR
* [options/SUPIR_v0.yaml] --> SDXL_CKPT, SUPIR_CKPT_Q, SUPIR_CKPT_F
Realphoto60: Baidu NetDisk, Google Drive
Usage:
-- python test.py [options]
-- python gradio_demo.py [interactive options]
--img_dir Input folder.
--save_dir Output folder.
--upscale Upsampling ratio of given inputs. Default: 1
--SUPIR_sign Model selection. Default: ' Q ' ; Options: [ ' F ' , ' Q ' ]
--seed Random seed. Default: 1234
--min_size Minimum resolution of output images. Default: 1024
--edm_steps Numb of steps for EDM Sampling Scheduler. Default: 50
--s_stage1 Control Strength of Stage1. Default: -1 (negative means invalid)
--s_churn Original hy-param of EDM. Default: 5
--s_noise Original hy-param of EDM. Default: 1.003
--s_cfg Classifier-free guidance scale for prompts. Default: 7.5
--s_stage2 Control Strength of Stage2. Default: 1.0
--num_samples Number of samples for each input. Default: 1
--a_prompt Additive positive prompt for all inputs.
Default: ' Cinematic, High Contrast, highly detailed, taken using a Canon EOS R camera,
hyper detailed photo - realistic maximum detail, 32k, Color Grading, ultra HD, extreme
meticulous detailing, skin pore detailing, hyper sharpness, perfect without deformations. '
--n_prompt Fixed negative prompt for all inputs.
Default: ' painting, oil painting, illustration, drawing, art, sketch, oil painting,
cartoon, CG Style, 3D render, unreal engine, blurring, dirty, messy, worst quality,
low quality, frames, watermark, signature, jpeg artifacts, deformed, lowres, over-smooth '
--color_fix_type Color Fixing Type. Default: ' Wavelet ' ; Options: [ ' None ' , ' AdaIn ' , ' Wavelet ' ]
--linear_CFG Linearly (with sigma) increase CFG from ' spt_linear_CFG ' to s_cfg. Default: False
--linear_s_stage2 Linearly (with sigma) increase s_stage2 from ' spt_linear_s_stage2 ' to s_stage2. Default: False
--spt_linear_CFG Start point of linearly increasing CFG. Default: 1.0
--spt_linear_s_stage2 Start point of linearly increasing s_stage2. Default: 0.0
--ae_dtype Inference data type of AutoEncoder. Default: ' bf16 ' ; Options: [ ' fp32 ' , ' bf16 ' ]
--diff_dtype Inference data type of Diffusion. Default: ' fp16 ' ; Options: [ ' fp32 ' , ' fp16 ' , ' bf16 ' ] # Seek for best quality for most cases
CUDA_VISIBLE_DEVICES=0,1 python test.py --img_dir ' /opt/data/private/LV_Dataset/DiffGLV-Test-All/RealPhoto60/LQ ' --save_dir ./results-Q --SUPIR_sign Q --upscale 2
# for light degradation and high fidelity
CUDA_VISIBLE_DEVICES=0,1 python test.py --img_dir ' /opt/data/private/LV_Dataset/DiffGLV-Test-All/RealPhoto60/LQ ' --save_dir ./results-F --SUPIR_sign F --upscale 2 --s_cfg 4.0 --linear_CFGCUDA_VISIBLE_DEVICES=0,1 python gradio_demo.py --ip 0.0.0.0 --port 6688 --use_image_slider --log_history
# Juggernaut_RunDiffusionPhoto2_Lightning_4Steps and DPM++ M2 SDE Karras for fast sampling
CUDA_VISIBLE_DEVICES=0,1 python gradio_demo.py --ip 0.0.0.0 --port 6688 --use_image_slider --log_history --opt options/SUPIR_v0_Juggernautv9_lightning.yaml
# less VRAM & slower (12G for Diffusion, 16G for LLaVA)
CUDA_VISIBLE_DEVICES=0,1 python gradio_demo.py --ip 0.0.0.0 --port 6688 --use_image_slider --log_history --loading_half_params --use_tile_vae --load_8bit_llava
Wir haben gerade Suppixel AI auf den Markt gebracht, ein benutzerfreundliches Tool, das für eine qualitativ hochwertige Bildverarbeitung und Hochschulen hilft. Es baut auf dem Suit auf. Egal, ob Sie sich für Fotografie, digitale Kunst oder einfach gerne mit Image Enhancement herumspielen möchten, wir würden uns freuen, wenn Sie es überprüfen. ~ ~
@misc{yu2024scaling,
title={Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild},
author={Fanghua Yu and Jinjin Gu and Zheyuan Li and Jinfan Hu and Xiangtao Kong and Xintao Wang and Jingwen He and Yu Qiao and Chao Dong},
year={2024},
eprint={2401.13627},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
Wenn Sie Fragen haben, senden Sie bitte eine E -Mail an [email protected] oder [email protected] .
Der SUPIP ("Software") wird ausschließlich für nichtkommerzielle Zwecke für nicht kommerzielle Zwecke zur Verfügung gestellt. Für die Zwecke dieser Erklärung ist "nicht kommerziell" definiert als nicht in erster Linie für kommerziellen Vorteile oder monetäre Entschädigung.
Durch die Verwendung, Reproduktion oder Verteilung der Software erklären Sie sich damit einverstanden, diese Einschränkung einzuhalten und die Software nicht für kommerzielle Zwecke zu verwenden, ohne vorherige schriftliche Genehmigung von Dr. Jinjin Gu zu erhalten.
Diese Erklärung beschränkt in keiner Weise die Rechte im Rahmen einer Open -Source -Lizenz, die für die Software gelten kann. Es fügt ausschließlich eine Bedingung hinzu, dass die Software nicht für kommerzielle Zwecke verwendet werden darf.
In keinem Fall sind die Autoren oder Urheberrechtsinhaber für Ansprüche, Schäden oder andere Haftungen haftbar, sei es in einer Vertragsklage, unerbittlich oder auf andere Weise, die sich aus oder im Zusammenhang mit der Software oder anderen Geschäften in der Software ergeben.
Für Anfragen oder um die Erlaubnis zur kommerziellen Verwendung zu erhalten, wenden Sie sich bitte an Dr. Jinjin Gu ([email protected]).
