Anime2Sketch

Anime2sketch

Anime2Sketch: Un extracteur de croquis pour l'illustration, l'art anime, les mangas

Par xiaoyu xiang

Mises à jour

• 2022.1.14: Ajouter un environnement Docker par Kitoria
• 2021.12.25: Mettez à jour la lecture. Joyeux noël!
• 2021.5.24: Correction d'une erreur d'interpolation et d'une erreur d'inférence GPU.
• 2021.5.12: Demo Web par AK391
• 2021.5.2: Téléchargez plus d'exemples de résultats de la vidéo d'anime.
• 2021.4.30: Téléchargez les scripts de test. Maintenant, notre dépôt est prêt à courir!
• 2021.4.11: Téléchargez les poids pré-entraînés et plus de résultats de test.
• 2021.4.8: Créez le repo.

Introduction

Le référentiel contient les codes de test et les poids pré-entraînés pour Anime2Sketch.

Anime2Sketch est un extracteur de croquis qui fonctionne bien sur l'illustration, l'art anime et les mangas. Il s'agit d'une application basée sur l'article "Adaption adversaire du domaine ouvert pour la synthèse de croquis à la photo".

Condition préalable

• Linux, macOS, Docker
• Python 3 (recommande d'utiliser Anaconda)
• CPU ou NVIDIA GPU + CUDA CUDNN
• Oreiller, pytorch

Commencer

Installation

Installez les packages requis: pip install -r requirements.txt

Télécharger des poids pré-entraînés

Veuillez télécharger les poids à partir de GoogledRive et le mettre dans les poids / dossiers.

Nous avons également une version sans artefacte du modèle qui fonctionne avec des images à contraste sombre / bas. Vous pouvez télécharger les poids à partir de GoogledRive et le mettre dans des poids / dossiers.

Test

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

La commande ci-dessus comprend trois arguments:

• dataroot: votre fichier de test ou répertoire
• Load_size: En raison de la limite de mémoire, nous devons redimensionner l'image d'entrée avant le traitement. Par défaut, nous le redimensions à 512x512 .
• output_dir: chemin du répertoire de sortie

Exécutez notre exemple:

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

Docker

Si vous souhaitez fonctionner sur Docker, vous pouvez facilement le faire en personnalisant le répertoire des images d'entrée / sortie.
Construire l'image Docker

make docker-build

Réglage du répertoire d'entrée / sortie
Vous pouvez personnaliser les volumes de montage pour les images d'entrée / sortie par MakeFile. Veuillez définir votre répertoire cible.

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

exemple:

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

Courir

make docker-run

Si vous souhaitez exécuter CPU uniquement , vous devrez réparer deux choses (supprimer les options GPU).

• DockerFile CMD Line vers 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

Former

Ce projet est une sous-branche d'AODA. Veuillez le vérifier pour les instructions de formation.

Plus de résultats

Notre modèle fonctionne bien sur les arts de l'illustration: Tournez les photos Handrewn pour nettoyer les linéaires: Simplifiez les croquis à main levée: Et plus de résultats d'anime:

Contact

Xiaoyu Xiang.

Vous pouvez également laisser vos questions comme des problèmes dans le référentiel. Je serai heureux d'y répondre!

Licence

Ce projet est publié sous la licence du MIT.

Citations

 @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 }
}