Anime2Sketch

Anime2sketch

Anime2sketch: экстрактор эскиза для иллюстрации, аниме -искусство, манга

Xiaoyu Xiang

Обновления

• 2022.1.14: Добавить среду Docker от Kitoria
• 2021.12.25: обновление readme. С Рождеством!
• 2021.5.24: Исправьте ошибку интерполяции и ошибку вывода GPU.
• 2021.5.12: веб -демо от AK391
• 2021.5.2: Загрузите больше примеров результатов аниме видео.
• 2021.4.30: Загрузите тестовые сценарии. Теперь наше репо готово!
• 2021.4.11: Загрузите предварительные веса и больше результатов теста.
• 2021.4.8: Создать репо.

Введение

Репозиторий содержит коды тестирования и предварительные веса для Anime2sketch.

Anime2sketch - это экстрактор эскиза, который хорошо работает над иллюстрацией, аниме -искусством и мангой. Это приложение, основанное на бумаге «Адаптация открытых доменов для обороты для синтеза эскиза к фото».

Предварительные условия

• Linux, MacOS, Docker
• Python 3 (рекомендую использовать Anaconda)
• CPU или NVIDIA GPU + CUDA CUDNN
• Подушка, питорх

Начните

Установка

Установите требуемые пакеты: pip install -r requirements.txt

Загрузите предварительные веса

Пожалуйста, загрузите вес от Googledrive и поместите его в вес/ папку.

У нас также есть версия модели без артефактов , которая работает с темными / низкими контрастными изображениями. Вы можете скачать вес с Googledrive и поместить его в вес/ папку.

Тест

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

Приведенная выше команда включает в себя три аргумента:

• DataRoot: ваш тестовый файл или каталог
• load_size: из -за предела памяти нам необходимо изменить размер входного изображения перед обработкой. По умолчанию мы изменяем размер до 512x512 .
• output_dir: путь выходного каталога

Запустите наш пример:

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

Докер

Если вы хотите запустить на Docker, вы можете легко сделать это, настраивая каталог ввода/вывода.
Стройте изображение Docker

make docker-build

Настройка ввода/вывода каталога
Вы можете настроить объемы монтирования для входных/выходных изображений с помощью Makefile. Установите свой целевой каталог.

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

пример:

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

Бегать

make docker-run

Если вы хотите запустить только процессор , вам нужно будет исправить две вещи (удалить параметры GPU).

• Dockerfile Cmd Line to 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

Тренироваться

Этот проект является подсветом AODA. Пожалуйста, проверьте это для обучения.

Больше результатов

Наша модель хорошо работает на иллюстрационном искусстве: Поверните фотографии ручной работы, чтобы очистить линейные: Упростить наброски от руки: И больше результатов аниме:

Контакт

Сяою Сян.

Вы также можете оставить свои вопросы в качестве вопросов в репозитории. Я буду рад ответить на них!

Лицензия

Этот проект выпущен по лицензии MIT.

Цитаты

 @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 }
}