ดาวน์โหลด DeblurGAN - ดาวน์โหลดซอร์สโค้ด DeblurGAN

DeblurGAN

หลาม

1.0.0

ดาวน์โหลด

deblurgan

เวอร์ชันกระดาษ arxiv

การใช้งาน Pytorch ของ deblurgan กระดาษ: การเคลื่อนไหวแบบตาบอดโดยใช้เครือข่ายที่มีเงื่อนไข

เครือข่ายของเราใช้ภาพเบลอเป็นอินพุตและแสดงการประมาณการที่คมชัดที่สอดคล้องกันดังตัวอย่างในตัวอย่าง:

แบบจำลองที่เราใช้เป็นเงื่อนไข Wasserstein Gan ที่มีการไล่ระดับสี + การสูญเสียการรับรู้ตามการเปิดใช้งาน VGG-19 สถาปัตยกรรมดังกล่าวยังให้ผลลัพธ์ที่ดีเกี่ยวกับปัญหาการแปลภาพเป็นภาพอื่น ๆ (ความละเอียดสูง, การระบายสี, การทาสี, dehazing ฯลฯ )

วิธีการวิ่ง

ข้อกำหนดเบื้องต้น

NVIDIA GPU + CUDA CUDNN (CPU ที่ยังไม่ผ่านการทดสอบความคิดเห็นชื่นชม)
pytorch

ดาวน์โหลดน้ำหนักจาก Google Drive โปรดทราบว่าในระหว่างการอนุมานคุณต้องรักษาน้ำหนักของเครื่องกำเนิดไฟฟ้าเท่านั้น

ใส่น้ำหนักลงไป

/.checkpoints/experiment_name

ในการทดสอบแบบจำลองให้ใส่ภาพที่เบลอของคุณลงในโฟลเดอร์แล้วเรียกใช้:

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

ข้อมูล

ดาวน์โหลดชุดข้อมูลสำหรับมาตรฐานการตรวจจับวัตถุจาก Google Drive

รถไฟ

หากคุณต้องการฝึกอบรมโมเดลบนข้อมูลของคุณเรียกใช้คำสั่งต่อไปนี้เพื่อสร้างคู่รูปภาพ:

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

จากนั้นคำสั่งต่อไปนี้เพื่อฝึกอบรมโมเดล

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

การใช้งานอื่น ๆ

บล็อก Keras

Keras Repository

การอ้างอิง

หากคุณพบว่ารหัสของเรามีประโยชน์ในการวิจัยหรือที่ทำงานโปรดอ้างอิงบทความของเรา

 @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
}