Téléchargement DeblurGAN - Téléchargement du code source DeblurGAN

DeblurGAN

Python

1.0.0

Télécharger

Deblurgan

Version en papier arxiv

Pytorch Implémentation du papier Deblurgan: Blind Motion Déblure à l'aide de réseaux contradictoires conditionnels.

Notre réseau prend une image floue comme une entrée et procède l'estimation nette correspondante, comme dans l'exemple:

Le modèle que nous utilisons est conditionnel GanSerstein Gan avec une pénalité de gradient + une perte perceptuelle basée sur les activations VGG-19. Une telle architecture donne également de bons résultats sur d'autres problèmes de traduction de l'image à l'image (super résolution, colorisation, entraine, déshazing, etc.)

Comment courir

Condition préalable

Nvidia gpu + cuda cudnn (CPU non testé, rétroaction appréciée)
Pytorch

Téléchargez des poids sur Google Drive. Notez que pendant l'inférence, vous devez ne conserver que des poids du générateur.

Mettre les poids

/.checkpoints/experiment_name

Pour tester un modèle, mettez vos images floues dans un dossier et exécutez:

python test.py --dataroot /.path_to_your_data --model test --dataset_mode single --learn_residual

Données

Télécharger l'ensemble de données pour la référence de détection d'objets à partir de Google Drive

Former

Si vous souhaitez former le modèle de vos données, exécutez la commande suivante pour créer des paires d'images:

python datasets/combine_A_and_B.py --fold_A /path/to/data/A --fold_B /path/to/data/B --fold_AB /path/to/data

Et puis la commande suivante pour former le modèle

python train.py --dataroot /.path_to_your_data --learn_residual --resize_or_crop crop --fineSize CROP_SIZE (we used 256)

Autres implémentations

Blog Keras

Référentiel Keras

Citation

Si vous trouvez notre code utile dans votre recherche ou votre travail, veuillez citer notre article.

 @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
}