Anime2Sketch

Anime2sketch

Anime2sketch：插图，动漫艺术，漫画的素描提取器

Xiaoyu Xiang

更新

• 2022.1.14：添加Kitoria的Docker环境
• 2021.12.25：Update Readme。圣诞快乐！
• 2021.5.24：修复插值误差和GPU推理错误。
• 2021.5.12： AK391的Web演示
• 2021.5.2：上传动漫视频的更多示例结果。
• 2021.4.30：上传测试脚本。现在我们的存储库准备运行了！
• 2021.4.11：上传预估计的重量和更多的测试结果。
• 2021.4.8：创建回购。

介绍

存储库包含测试代码和动漫2sketch的预算权重。

Anime2sketch是一种素描提取器，可在插图，动漫艺术和漫画中效果很好。它是基于“对抗性开放域的适应素描至光学合成”的纸张的应用程序。

先决条件

• Linux，MacOS，Docker
• Python 3（建议使用Anaconda）
• CPU或NVIDIA GPU + CUDA CUDNN
• 枕头，Pytorch

开始

安装

安装所需的软件包： pip install -r requirements.txt

下载预算的重量

请从GoogleDrive下载权重，然后将其放入权重/文件夹中。

我们还有一个无伪影的模型版本，可与深色 /低对比度图像一起使用。您可以从GoogleDrive下载权重，然后将其放入权重/文件夹中。

测试

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

以上命令包括三个参数：

• Dataroot：您的测试文件或目录
• load_size：由于内存限制，我们需要在处理之前调整输入图像大小。默认情况下，我们将其调整到512x512 。
• output_dir：输出目录的路径

运行我们的示例：

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

Docker

如果要在Docker上运行，则可以通过自定义输入/输出图像目录来轻松地进行操作。
构建Docker图像

make docker-build

设置输入/输出目录
您可以通过makefile自定义输入/输出图像的安装量。请设置目标目录。

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

例子：

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

跑步

make docker-run

如果您只想运行CPU ，则需要修复两件事（删除GPU选项）。

• dockerfile cmd线至CMD [ "python", "test.py", "--dataroot", "/input", "--load_size", "512", "--output_dir", "/output" ]
• Makefile Docker运行线至docker run -it --rm -v `pwd`:/workspace -v `pwd`/images/input:/input -v `pwd`/images/output:/output anime2sketch

火车

该项目是AODA的子分支。请检查一下培训说明。

更多结果

我们的模型在插图艺术上效果很好： 将手工绘画的照片转到清洁线路：简化徒手草图：还有更多动漫结果：

接触

Xiaoyu Xiang。

您也可以将问题作为存储库中的问题。我很高兴回答他们！

执照

该项目根据麻省理工学院许可发布。

引用

 @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 }
}