Anime2Sketch

Anime2sketch

Anime2Sketch: un extractor de boceto para ilustración, arte de anime, manga

Por xiaoyu xiang

Actualizaciones

• 2022.1.14: Agregar entorno Docker por Kitoria
• 2021.12.25: actualizar ReadMe. ¡Feliz navidad!
• 2021.5.24: corrige un error de interpolación y un error de inferencia de GPU.
• 2021.5.12: demostración web de AK391
• 2021.5.2: Sube más resultados de ejemplo de video de anime.
• 2021.4.30: Cargue los scripts de prueba. ¡Ahora nuestro repositorio está listo para correr!
• 2021.4.11: Cargue los pesos previos a la aparición y más resultados de las pruebas.
• 2021.4.8: Crea el repositorio.

Introducción

El repositorio contiene los códigos de prueba y los pesos previos a la detención para Anime2Sketch.

Anime2Sketch es un extractor de bocetos que funciona bien en la ilustración, el arte del anime y el manga. Es una aplicación basada en el documento "Adaptación de dominio abierto adversario para la síntesis de boceto a foto".

Requisitos previos

• Linux, MacOS, Docker
• Python 3 (recomendar usar Anaconda)
• CPU o NVIDIA GPU + CUDA CUDNN
• Almohada, pytorch

Empezar

Instalación

Instale los paquetes requeridos: pip install -r requirements.txt

Descargar pesas previas

Descargue los pesos de Googledrive y póngalo en las pesas/ carpetas.

También tenemos una versión sin artefactos del modelo que funciona con imágenes oscuras / de bajo contraste. Puede descargar los pesos de Googledrive y ponerlo en pesas/ carpetas.

Prueba

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

El comando anterior incluye tres argumentos:

• DatarOOT: su archivo de prueba o directorio
• Load_size: debido al límite de memoria, necesitamos cambiar el tamaño de la imagen de entrada antes del procesamiento. Por defecto, lo cambiamos a 512x512 .
• output_dir: ruta del directorio de salida

Ejecute nuestro ejemplo:

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

Estibador

Si desea ejecutar Docker, puede hacerlo fácilmente personalizando el directorio de imágenes de entrada/salida.
Imagen de Docker de construcción

make docker-build

Configuración del directorio de entrada/salida
Puede personalizar los volúmenes de montaje para imágenes de entrada/salida por Makefile. Configurar su directorio de destino.

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

ejemplo:

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

Correr

make docker-run

Si solo desea ejecutar CPU , deberá solucionar dos cosas (eliminar las opciones de GPU).

• Dockerfile CMD Line a 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

Tren

Este proyecto es una sub-rama de AODA. Por favor revise las instrucciones de capacitación.

Más resultados

Nuestro modelo funciona bien en las artes de la ilustración: Gire las fotos trabajadas para limpiar Linearts: Simplifique los bocetos a mano alzada: Y más resultados de anime:

Contacto

Xiaoyu Xiang.

También puede dejar sus preguntas como problemas en el repositorio. ¡Estaré encantado de responderles!

Licencia

Este proyecto se publica bajo la licencia MIT.

Citas

 @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 }
}