Python 人工智能老照片修复算法学习，

文章由Byrx.net分享于2021-11-26 09:11:19评论（333）

Python 人工智能老照片修复算法学习，

前言

老旧或者破损的照片如何修复呢？本文主要分享一个博主使用后非常不错的照片恢复开源项目：Bringing-Old-Photos-Back-to-Life。

项目的Github地址：项目地址

我们先看看官方给出的效果图：

就算现在看到这张图，我仍然觉着非常惊艳。下面我会把项目环境安装部署，到最后使用的效果做一个展示。

项目环境搭建

该项目的环境搭建有点复杂，我一点点说。

conda虚拟环境创建

在项目README.md文件中要求python版本在3.6以上。

我们用anaconda创建一个虚拟环境bobl

conda create -n bobl python=3.6

激活环境

conda activate bobl

在Pycharm项目中配置interpreter，设置到conda目录envs下bobl环境的python。

Pytorch安装

虽然项目官方给出的requirements.txt包含pytorch，为了保险起见，还是去Pytorch官方网站上安装一下。Pytorch官方地址:PyTorch

因为我本机没插显卡，安装的cpu版本。

选择对应的命令安装Pytorch库。

Synchronized-BatchNorm-PyTorch repository安装

官方给出的安装说明里面需要部署Synchronized-BatchNorm-PyTorch项目进来。

这里注意一点，需要把Synchronized-BatchNorm-PyTorch项目中的sync_batchnorm拷贝到上级目录。完整的目录接口参考下图：

Global目录Synchronized-BatchNorm-PyTorch项目部署

官方说明里面也需要把Synchronized-BatchNorm-PyTorch项目部署到Global里面。

也是一样要把sync_batchnorm拷贝到上级目录。结构如下：

检测预处理模型下载

需要用到一个检测预处理模型，主要是用来识别照片中的人脸部分的。

注意解压后的位置，结构如下：

下载脸部增强模型文件

官方说明：

下载两个模型zip解压到对应目录下，结构如下：

下载依赖

注意，我这里去掉了pytorch的依赖安装，已经已经装过了。

dlib
scikit-image
easydict
PyYAML
dominate>=2.3.1
dill
tensorboardX
scipy
opencv-python
einops
PySimpleGUI

安装命令：

pip install -r requirements.txt -i https://pypi.douban.com/simple

完整部署后项目结构

完整的结构如下图：

项目使用

官方给到的图，我就不用了，不能说明问题。我自己准备了两种图，一张是一张人脸的，一张是多张人脸的。

先按照官方给出的命令跑跑看

我们直接使用最下面这个命令，包含划痕去除与高度还原。看一下执行情况。

(bobl) D:\spyder\Bringing-Old-Photos-Back-to-Life>python run.py --input_folder E:\csdn\老照片 --output_folder result1/ --GPU -1 --with_scratch --HR
Running Stage 1: Overall restoration
initializing the dataloader
model weights loaded
directory of testing image: E:\csdn\老照片
processing 1.jpg
processing 2.jpg
Mapping: You are using multi-scale patch attention, conv combine + mask input
Now you are processing 1.png
C:\ProgramData\Anaconda3\envs\bobl\lib\site-packages\torch\nn\functional.py:3635: UserWarning: Default upsampling behavior when mode=bilinear is changed to align_corners=False since 0.4
.0. Please specify align_corners=True if the old behavior is desired. See the documentation of nn.Upsample for details.
  "See the documentation of nn.Upsample for details.".format(mode)
Now you are processing 2.png
Finish Stage 1 ...
 
 
Running Stage 2: Face Detection
12
1
Finish Stage 2 ...
 
 
Running Stage 3: Face Enhancement
dataset [FaceTestDataset] of size 13 was created
The size of the latent vector size is [16,16]
Network [SPADEGenerator] was created. Total number of parameters: 92.1 million. To see the architecture, do print(network).
hi :)
Finish Stage 3 ...
 
 
Running Stage 4: Blending
Finish Stage 4 ...
 
 
All the processing is done. Please check the results.
 
(bobl) D:\spyder\Bringing-Old-Photos-Back-to-Life>

输出的文件不但有最终的结果，也有检测出来的每个脸的处理前后效果。结果结构如下：