Anime InPainting
1.0.0
Inglés | 中文版介绍
2019.3.27 Actualización:
Nuestro último método de dibujo PI-REC es más poderoso.
Eche un vistazo y estoy seguro de que no te decepcionará.
Esta es una herramienta de aplicación optimizada que tiene un frontend basado en Opencv , cuyo backend usó la conexión de borde. Asegúrese de haber leído su increíble trabajo y licencia a fondo. En comparación con el trabajo original, este proyecto tiene tales mejoras :
config.ymlPuede hacer la increíble entrada de anime convenientemente aquí.
Y se lanza un manual de entrenamiento detallado. Puede entrenar su propio conjunto de datos sin problemas ahora.
1.0 ( 0.4 no es compatible)pip install -r requirements.txt¡Quiero ejecutar la herramienta! Calmarse y seguir ese paso:
Información: Los siguientes archivos de pesas están entrenados en el conjunto de datos de la cara de anime que no funciona no es bueno en un gran carácter de anime completo.
.7z y póngalo debajo de su directorio raíz. Así que asegúrese de que su ruta sea: ./model/getchu/<xxxxx.pth>./model/getchu/config.yml como deseepython tool_patch.py --path model/getchu/python tool_patch.py --edge --path model/getchu/python tool_patch.py -hPD. Puede ejecutar cualquier modelo bien entrenado, no solo por encima de uno. Puede descargar más archivos de pesas de modelos de la conexión de borde de trabajo original. Entonces puedes ejecutar la herramienta como arriba. Solo una cosa para tener cuidado: el
config.ymlen este proyecto tiene algunas opciones adicionales que la configuración desde la conexión de borde.
Para obtener un manual detallado, consulte su terminal impresiones o el __doc__ en tool_patch.py .
A continuación se muestra el manual de operación de herramienta simplificada:
| Llave | descripción |
|---|---|
El mouse Left | Para dibujar el área defectuosa en input de la ventana y dibujar el borde en edge de la ventana |
Ratón Right | Para borrar el borde en edge de la ventana |
Llave [ | Para hacer que el grosor del cepillo sea más pequeño |
Llave ] | Para hacer que el grosor del cepillo sea más grande |
Clave 0 | Hacer |
Clave 1 | Hacer |
Llave n | Para parchear la parte negra de la imagen, solo use la imagen de entrada |
Clave e | Para parchear la parte negra de la imagen, use la imagen de entrada y Editar borde (solo funcione en la ventana de borde abierto) |
Key r | Para restablecer la configuración |
s | Para guardar la salida |
Clave q | Para dejar |
Haga clic aquí -> Manual de entrenamiento usted mismo
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 请点击上面的链接?
Herramienta 效果看上面? | Bilibili ： ： para hacer
这是图像修补方向最新研究成果 Conexión de borde 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 后端是 后端是 后端是 后端是 后端是 方便当作工具使用。 方便当作工具使用。 去马赛克 去马赛克 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 mejoras。
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 一步步来.
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
.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 -hPD. 你也能用 Herramienta 跑别的任何模型 跑别的任何模型 在这里下载原作更多模型 Conexión de borde. 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 Herramienta ： ：
| 按键 | 说明 |
|---|---|
| 鼠标左键 | Entrada 窗口 ： 画出瑕疵区域的遮盖 ， 窗口 ： ： 手动画边缘 手动画边缘 手动画边缘 手动画边缘 |
| 鼠标右键 | Borde ： ： 橡皮擦 |
按键[ | 笔刷变细 （控制台打印粗细大小） |
按键] | 笔刷变粗 |
按键0 | Hacer |
按键1 | Hacer |
按键n | 修补黑色涂抹区域 只使用一张输入图片 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 使用输入图片和边缘图片（仅当 使用输入图片和边缘图片（仅当 使用输入图片和边缘图片（仅当 窗口启动时有效） 窗口启动时有效） 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
Licenciado bajo una atribución de los Comunes Creativos no comerciales 4.0 Internacional.
Excepto cuando se indique lo contrario, este contenido se publica bajo una licencia de CC BY-NC, lo que significa que puede copiar, remix, transformar y desarrollar el contenido siempre que no use el material para fines comerciales y brinde crédito apropiado y proporcionar un enlace a la licencia.
Si usa este código para su investigación, cite nuestro documento edgeconnect: imagen generativa de imagen con aprendizaje de borde adversario:
@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},
}
