DeblurGAN
1.0.0
versión de papel arxiv
Implementación de Pytorch del documento deblurgan: desplazamiento del movimiento ciego utilizando redes adversas condicionales.
Nuestra red toma la imagen borrosa como una entrada y procesa la estimación nítida correspondiente, como en el ejemplo: 
El modelo que usamos es GaN Wasserstein condicional con penalización de gradiente + pérdida perceptiva basada en activaciones de VGG-19. Dicha arquitectura también ofrece buenos resultados en otros problemas de traducción de imagen a imagen (súper resolución, colorización, ingenio, deshaz, etc.)
Descargue pesas de Google Drive. Tenga en cuenta que durante la inferencia necesita mantener solo pesos del generador.
Poner los pesos en
/.checkpoints/experiment_namePara probar un modelo, coloque sus imágenes borrosas en una carpeta y ejecute:
python test.py --dataroot /.path_to_your_data --model test --dataset_mode single --learn_residualDescargue el conjunto de datos para el punto de referencia de detección de objetos desde Google Drive
Si desea entrenar el modelo en sus datos, ejecute el siguiente comando para crear pares de imágenes:
python datasets/combine_A_and_B.py --fold_A /path/to/data/A --fold_B /path/to/data/B --fold_AB /path/to/dataY luego el siguiente comando para entrenar el modelo
python train.py --dataroot /.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE (we used 256)Blog de Keras
Repositorio de Keras
Si encuentra útil nuestro código en su investigación o trabajo, cite nuestro documento.
@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
}
El código presta mucho de PIX2PIX. Las imágenes fueron tomadas del conjunto de datos de prueba de GoPro - Deepdeblur
