liif
1.0.0
이 저장소에는 다음 논문에서 소개 된 LIIF의 공식 구현이 포함되어 있습니다.
로컬 암시 적 이미지 기능으로 연속 이미지 표현 학습
Yinbo Chen, Sifei Liu, Xiaolong Wang
CVPR 2021 (Oral)
비디오가 포함 된 프로젝트 페이지는 https://yinboc.github.io/liif/에 있습니다.
귀하의 연구에 우리의 작업이 유용하다는 것을 알게되면 다음을 인용하십시오.
@inproceedings{chen2021learning,
title={Learning continuous image representation with local implicit image function},
author={Chen, Yinbo and Liu, Sifei and Wang, Xiaolong},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
pages={8628--8638},
year={2021}
}
| 모델 | 파일 크기 | 다운로드 |
|---|---|---|
| Edsr-Baseline-Liif | 18m | Dropbox | 구글 드라이브 |
| rdn-liif | 256m | Dropbox | 구글 드라이브 |
[MODEL_PATH] 와 함께 .pth 파일을 나타냅니다). python demo.py --input xxx.png --model [MODEL_PATH] --resolution [HEIGHT],[WIDTH] --output output.png --gpu 0
데이터 세트 폴더를 넣기위한 mkdir load .
div2k : mkdir 및 cd 로의 load/div2k . Div2K 웹 사이트에서 HR 이미지 및 Bicubic Validation LR 이미지를 다운로드하십시오 (예 : Train_HR, Valid_HR, Valid_LR_X2, Valid_LR_X3, Valid_LR_X4). 이 파일을 unzip 이미지 폴더를 얻으십시오.
벤치 마크 데이터 세트 : cd 에 load/ . 다운로드 및 tar -xf 벤치 마크 데이터 세트 (이 repo에서 제공), 서브 폴더 Set5/, Set14/, B100/, Urban100/ 있는 load/benchmark 폴더를 가져옵니다.
CELEBAHQ : mkdir load/celebAHQ 및 cp scripts/resize.py load/celebAHQ/ , cd load/celebAHQ/ . Google 드라이브 링크에서 Data1024X1024.ZIP를 다운로드하고 unzip (이 리포지트에서 제공). python resize.py 실행하고 이미지 폴더 256/, 128/, 64/, 32/ 얻습니다. split.json을 다운로드하십시오.
0. 예비
train_liif.py 또는 test.py 의 경우 --gpu [GPU] 사용하여 gpus (예 : --gpu 0 또는 --gpu 0,1 )를 지정하십시오.
train_liif.py 의 경우 기본적으로 저장 폴더는 save/_[CONFIG_NAME] 에 있습니다. --name 사용하여 필요한 경우 이름을 지정할 수 있습니다.
구성의 데이터 세트 Args의 경우 cache: in_memory 메모리로의 사전로드를 나타냅니다 (예 cache: bin 큰 메모리가 cache: none 수 있습니다. 교육 스크립트를 실행하기 전에 하드웨어 리소스에 따라 수정할 수 있습니다.
1. div2k 실험
기차 : python train_liif.py --config configs/train-div2k/train_edsr-baseline-liif.yaml (edsr-baseline 백본 포함 edsr-baseline rdn 으로 대체). 우리는 EDSR-Baseline-LIIF 훈련을 위해 1 GPU를 사용하고 RDN-LIIF의 경우 4 GPU를 사용합니다.
테스트 : bash scripts/test-div2k.sh [MODEL_PATH] [GPU] Div2K 유효성 검사 세트, bash scripts/test-benchmark.sh [MODEL_PATH] [GPU] 벤치 마크 데이터 세트. [MODEL_PATH] 는 .pth 파일의 경로이며 해당 저장 폴더에서 epoch-last.pth 사용합니다.
2. Celebahq 실험
기차 : python train_liif.py --config configs/train-celebAHQ/[CONFIG_NAME].yaml .
테스트 : python test.py --config configs/test/test-celebAHQ-32-256.yaml --model [MODEL_PATH] (또는 다른 작업에 대한 test-celebAHQ-64-128.yaml ). 해당 저장 폴더에서 epoch-best.pth 사용합니다.
