Anime2Sketch

Anime2sketch

Anime2sketch：插圖，動漫藝術，漫畫的素描提取器

Xiaoyu Xiang

更新

• 2022.1.14：添加Kitoria的Docker環境
• 2021.12.25：Update Readme。聖誕快樂！
• 2021.5.24：修復插值誤差和GPU推理錯誤。
• 2021.5.12： AK391的Web演示
• 2021.5.2：上傳動漫視頻的更多示例結果。
• 2021.4.30：上傳測試腳本。現在我們的存儲庫準備運行了！
• 2021.4.11：上傳預估計的重量和更多的測試結果。
• 2021.4.8：創建回購。

介紹

存儲庫包含測試代碼和動漫2sketch的預算權重。

Anime2sketch是一種素描提取器，可在插圖，動漫藝術和漫畫中效果很好。它是基於“對抗性開放域的適應素描至光學合成”的紙張的應用程序。

先決條件

• Linux，MacOS，Docker
• Python 3（建議使用Anaconda）
• CPU或NVIDIA GPU + CUDA CUDNN
• 枕頭，Pytorch

開始

安裝

安裝所需的軟件包： pip install -r requirements.txt

下載預算的重量

請從GoogleDrive下載權重，然後將其放入權重/文件夾中。

我們還有一個無偽影的模型版本，可與深色 /低對比度圖像一起使用。您可以從GoogleDrive下載權重，然後將其放入權重/文件夾中。

測試

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

以上命令包括三個參數：

• Dataroot：您的測試文件或目錄
• load_size：由於內存限制，我們需要在處理之前調整輸入圖像大小。默認情況下，我們將其調整到512x512 。
• output_dir：輸出目錄的路徑

運行我們的示例：

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

Docker

如果要在Docker上運行，則可以通過自定義輸入/輸出圖像目錄來輕鬆地進行操作。
構建Docker圖像

make docker-build

設置輸入/輸出目錄
您可以通過makefile自定義輸入/輸出圖像的安裝量。請設置目標目錄。

 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

如果您只想運行CPU ，則需要修復兩件事（刪除GPU選項）。

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

火車

該項目是AODA的子分支。請檢查一下培訓說明。

更多結果

我們的模型在插圖藝術上效果很好： 將手工繪畫的照片轉到清潔線路：簡化徒手草圖：還有更多動漫結果：

接觸

Xiaoyu Xiang。

您也可以將問題作為存儲庫中的問題。我很高興回答他們！

執照

該項目根據麻省理工學院許可發布。

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 }
}