liif
1.0.0
Этот репозиторий содержит официальную реализацию для LIIF, представленная в следующей статье:
Обучение непрерывному представлению изображения с локальной неявной функцией изображения
Йинбо Чен, Сифеи Лю, Сяолонг Ван
CVPR 2021 (устный)
Страница проекта с видео находится на https://yinboc.github.io/liif/.
Если вы найдете нашу работу полезной в своем исследовании, пожалуйста, укажите:
@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}
}
| Модель | Размер файла | Скачать |
|---|---|---|
| EDSR-Baseline-Liif | 18 м | Dropbox | Google Drive |
| Rdn-liif | 256 м | Dropbox | Google Drive |
[MODEL_PATH] обозначает файл .pth ) python demo.py --input xxx.png --model [MODEL_PATH] --resolution [HEIGHT],[WIDTH] --output output.png --gpu 0
mkdir load для размещения папок набора данных.
Div2k : mkdir и cd в load/div2k . Загрузите HR -изображения и Bicubic Validation LR Images с веб -сайта Div2K (IE TRAIN_HR, VALID_HR, VALICE_LR_X2, VALID_LR_X3, VALID_LR_X4). unzip эти файлы, чтобы получить папки изображений.
Наборы данных : cd в load/ . Загрузите и tar -xf Наборы данных (предоставленный этим репо), Получите папку load/benchmark с подразделениями Set5/, Set14/, B100/, Urban100/ .
Celebahq : mkdir load/celebAHQ и cp scripts/resize.py load/celebAHQ/ , затем cd load/celebAHQ/ . Загрузите и unzip данных1024x1024.zip по ссылке Google Drive (предоставленной этим репо). Запустите python resize.py и получить папки изображений 256/, 128/, 64/, 32/ . Скачать split.json.
0. Предварительные
Для train_liif.py или test.py , используйте --gpu [GPU] для указания GPU (например, --gpu 0 или --gpu 0,1 ).
Для train_liif.py , по умолчанию, папка «Сохранить» находится в save/_[CONFIG_NAME] . Мы можем использовать --name , чтобы указать имя, если это необходимо.
Для наборов данных ARG в конфигурации, cache: in_memory обозначает предварительную загрузку в память (может потребовать большую память, например, ~ 40 ГБ для Div2k), cache: bin обозначает создание двоичных файлов (в папке братьев и сестер) впервые, cache: none обозначает прямую загрузку. Мы можем изменить его в соответствии с аппаратными ресурсами, прежде чем запустить учебные сценарии.
1. Div2k Эксперименты
Поезд : python train_liif.py --config configs/train-div2k/train_edsr-baseline-liif.yaml (с магистрали EDSR-базовой линии, для RDN заменить edsr-baseline на rdn ). Мы используем 1 графический процессор для обучения EDSR-Baseline-Liif и 4 графических процессоров для RDN-Liif.
Тест : bash scripts/test-div2k.sh [MODEL_PATH] [GPU] Для набора валидации Div2K, bash scripts/test-benchmark.sh [MODEL_PATH] [GPU] для контрольных наборов. [MODEL_PATH] -это путь к файлу .pth , мы используем epoch-last.pth в соответствующей папке сохранения.
2. Эксперименты Celebahq
Поезд : python train_liif.py --config configs/train-celebAHQ/[CONFIG_NAME].yaml .
Тест : python test.py --config configs/test/test-celebAHQ-32-256.yaml --model [MODEL_PATH] (или test-celebAHQ-64-128.yaml для другой задачи). Мы используем epoch-best.pth в соответствующей папке сохранения.
