DiffBIR : l'outil de réparation intelligent pour améliorer la qualité des images

Introduction générale

DiffBIR (Blind Image Restoration with Generative Diffusion Prior) est un outil de restauration d'images développé par XPixelGroup, visant à restaurer des images en aveugle à l'aide de modèles de diffusion génératifs. DiffBIR utilise un modèle de diffusion génératif avancé pour générer des images restaurées de haute qualité sans dépendre d'un modèle de dégradation spécifique. Le projet est ouvert sur GitHub et fournit des instructions détaillées et des modèles pré-entraînés pour aider les utilisateurs dans leurs tâches de restauration d'images.

Expérience en ligne : https://replicate.com/zsxkib/diffbir

Liste des fonctions

• Super-résolution d'images en aveugleAméliore la clarté et les détails des images à faible résolution.
• Restauration des visages à l'aveugleRéparation des images de visages de mauvaise qualité ou floues.
• Débruitage d'images à l'aveugle: Supprime le bruit d'une image et améliore la qualité de l'image.
• Générer des modèles de diffusionRestauration d'images à l'aide d'un modèle de diffusion génératif pour de multiples scénarios de dégradation.
• Modèle de pré-entraînementLe logiciel de restauration d'images : fournit une variété de modèles pré-entraînés pour prendre en charge différents types de tâches de restauration d'images.
• Démonstration en ligneLes résultats de la restauration d'images sont directement visibles grâce à une démo en ligne.

Utiliser l'aide

Processus d'installation

1. entrepôt de clones: :

   git clone https://github.com/XPixelGroup/DiffBIR.git
cd DiffBIR

2. Installation des dépendances: :

   pip install -r requirements.txt

3. Télécharger le modèle pré-entraîné: Télécharger le modèle pré-entraîné dans la base de donnéesmodelsveuillez vous référer à la page du projet pour les liens de téléchargement des modèles spécifiques.

Mode d'emploi

Restauration de l'image

1. Préparation de l'image d'entrée: Placez l'image à restaurer dans leinputsCatalogue.
2. Exécution de scripts d'inférence: :

   python inference.py --input_dir inputs --output_dir outputs

Cette commande modifiera le fichierinputsLes images du répertoire sont restaurées et les résultats sont enregistrés dans le fichieroutputsCatalogue.

formation au modèle

1. Préparation du jeu de données: Placez l'ensemble de données d'apprentissage dans ledatapour s'assurer que le format des données répond aux exigences.
2. Exécuter le script de formation: :

   python train_stage1.py --config configs/train_stage1.yaml
python train_stage2.py --config configs/train_stage2.yaml

Cette commande exécute séquentiellement la première et la deuxième étape de la formation pour générer le modèle de réparation final.

Fonction détaillée du déroulement des opérations

1. Super-résolution d'images en aveugle: :
   • Placer une image à faible résolution sur leinputsCatalogue.
   • Exécuter des scripts d'inférence pour générer des images à haute résolution.
   • sondeoutputsl'image résultante dans le catalogue pour confirmer l'effet de la réparation.
2. Restauration des visages à l'aveugle: :
   • Placement d'une image de visage floue ou de mauvaise qualité sur l'écran.inputsCatalogue.
   • Exécutez le script d'inférence pour réparer l'image du visage.
   • sondeoutputsl'image résultante dans le catalogue pour confirmer l'effet de la réparation.
3. Débruitage d'images à l'aveugle: :
   • L'image contenant le bruit est placée dans leinputsCatalogue.
   • Exécutez le script d'inférence pour supprimer le bruit de l'image.
   • sondeoutputsl'image résultante dans le catalogue pour confirmer l'effet de débruitage.

Kit d'intégration Diffbir 2.1

Quark : https://pan.quark.cn/s/1e90834438e3