Image-coloring

所属分类:图形图像处理
开发工具:Python
文件大小:0KB
下载次数:0
上传日期:2024-05-10 08:00:36
上 传 者sh-1993
说明:  图像上色是一个具有挑战性的问题,因为它涉及到多模态不确定性和高度的不确定性。直接训练深度神经网络通常会导致语义色彩错误和低色彩丰富度。尽管基于变压器的方法可以提供更好的结果,但它们通常依赖于手动设计的先验,具有较差的泛化能力,并引入颜色流动效应。为了解决这些问题,本课题设计了一种使用改进的双GAN解码器进行图像着色的端到端方法。

文件列表:
assets/test_images/
basicsr/
data_list/
images/
inference/
options/train/
pretrain/
scripts/
gradio_app.py
predict.py
requirements.txt
setup.py

# 计算机毕业设计-基于深度学习的老(旧)照片上色算法模型设计与实现(对抗生成式网络GAN、含Github代码与Web端设计) ** 我的CSDN中还有其他方向的深度学习毕业设计项目,例如图像破损修复,照片色彩增强,老照片划痕检测,视频异常检测、车牌识别、医学图像分割、目标检测等,具体参考:** [深度学习方向毕业设计](https://github.com/zxx1218/Image-coloring/blob/master/./images/a.jpg) ## :sparkles: Demo_1 ![在这里插入图片描述](https://github.com/zxx1218/Image-coloring/blob/master/./images/a.jpg) ## :sparkles: Demo_2 ![在这里插入图片描述](https://github.com/zxx1218/Image-coloring/blob/master/./images/b.jpg) ## :sparkles: 网页端效果展示 ![在这里插入图片描述](https://github.com/zxx1218/Image-coloring/blob/master/./images/c.png)
#### 介绍   图像上色是一个具有挑战性的问题,因为它涉及到多模态不确定性和高度的不确定性。直接训练深度神经网络通常会导致语义色彩错误和低色彩丰富度。尽管基于变压器的方法可以提供更好的结果,但它们通常依赖于手动设计的先验,具有较差的泛化能力,并引入颜色流动效应。为了解决这些问题,本课题设计了一种使用改进的双GAN解码器进行图像着色的端到端方法。   本课题的方法包括一个像素解码器和一个基于查询的颜色解码器。前者恢复空间分辨率图像,而后者利用丰富的视觉特征进行精细的颜色查询,从而避免了手动设计的先验。这两个解码器通过交叉关注在颜色和多尺度语义表示上进行协同工作,显著减轻了颜色流动效应。此外,本课题还引入了一种简单而有效的颜色损失来增强色彩的丰富性。经实验证明,该模型在效果、上色速度和质量方面优于基于机器学习的传统模型。 #### 运行要求 - 运行代码需要Python>=3.8 - 前端页面需要Python>=3.10 ### :rocket: 代码链接 - **giuhub链接:**[照片上色Github](https://github.com/zxx1218/Image-coloring/blob/master/https://github.com/zxx1218/Image-coloring) - **gitee链接:**[照片上色Gitee](https://github.com/zxx1218/Image-coloring/blob/master/https://gitee.com/zxx1218/image-coloring)
### :tada:通过搭建前后端Web页面实现视频上传与自动检测 - **Web端演示视频** - - **Web端体验地址** [https://f1b64b2a0a5ebc2a89.com](https://github.com/zxx1218/Image-coloring/blob/master/https://f1b64b2a0a5ebc2a89.com) **PS:如果打不开,即我的公网ip到期,联系作者获取内网穿透新连接,联系方式: VX:Accddvva QQ:1144968929**
### 通过运行算法源代码获取检测结果 #### 环境配置 #### 使用conda安装环境 ``` # 首先使用conda创建环境 conda create -n py310 python=3.10 conda activate py310 # 安装依赖 pip install -r requirements.txt ``` ### 测试图片 #### 方式一:启动Web端交互界面 启动web端(会启动在127.0.0.1:xxxx的本机环回地址下) ``` python gradio_app.py ``` 回车后会自动启动Web服务,在浏览器打开即可访问,在控制台看到如下信息代表成功启动 ![在这里插入图片描述](https://github.com/zxx1218/Image-coloring/blob/master/./images/d.png) 打开http://127.0.0.1:9091,显示如下界面代表成功! ![在这里插入图片描述](https://github.com/zxx1218/Image-coloring/blob/master/./images/e.png) #### 方式二:在cmd(控制台)批量测试图片 - 将需要测试的图片放在`./assets/test_images`下运行代码即可
### :alembic:如何自行训练模型? **咨询作者** - VX:Accddvva - QQ:1144968929 - **该项目代码提供训练好的模型文件以及调用该文件进行图片上色的测试代码(clone后安装环境即可使用,开源版不包含模型源码以及gui)** - 本项目完整代码+环境配置教程+代码使用方式+GUI界面 == **价格300RMB,可提供远程部署服务,另外提供GPU服务器短期租赁服务,24G显存服务器每个月100RMB**
#### 广告 - 作者于浙江某985高校就读人工智能方向研究生,可以帮忙定制设计模型,并提供源代码和训练后的模型文件以及环境配置和使用方法,只需要描述需求即可。 - 人工智能领域,尤其是计算机视觉(Computer vision,CV)方向的任务,只要你想得出,没有做不出!

近期下载者

相关文件


收藏者