Bringing-Old-Photos-Back-to-Life

Bringing-Old-Photos-Back-to-Life项目简介
- Bringing-Old-Photos-Back-to-Life项目资源下载与配置
- - Bringing-Old-Photos-Back-to-Life的使用和相关问题的解决

Bringing-Old-Photos-Back-to-Life项目简介

最近在公众号看到有关Bringing-Old-Photos-Back-to-Life的内容，觉得很有意思，可以将模糊的，褶皱的照片相应的还原，在这里插入图片描述
重拾旧时光的回忆，所以自己尝试一下。

这个开源的项目在github上可以找到，这里给出项目地址Bringing-Old-Photos-Back-to-Life。这个项目是有关于模糊，褶皱照片的修复的算法，是基于2020微软最新的一篇CPVR的文章，原理简单来说就是用变分自动编码机（VAE）将图像变换到隐藏空间，并在隐空间进行图像恢复操作在这里插入图片描述
。

Bringing-Old-Photos-Back-to-Life项目资源下载与配置

该项目包含了测试训练集和资源包，所以先下载该项目，项目地址
https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
项目也依赖于Synchronized-BatchNorm-PyTorch，文章中也给出了我们配置教程，所以按照教程来配置即可。

第一步，克隆项目，即下载压缩包并解压

git clone https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life.git

第二步，配置环境，进入项目的目录下

cd Face_Enhancement/models/networks
git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
cd ../../../

cd Global/detection_models
git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
cd ../../

然后下载相应的组件

cd Face_Detection/
wget http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2
bzip2 -d shape_predictor_68_face_landmarks.dat.bz2
cd ../

cd Face_Enhancement/
wget https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Face_Enhancement/checkpoints.zip
unzip checkpoints.zip
cd ../

cd Global/
wget https://facevc.blob.core.windows.net/zhanbo/old_photo/pretrain/Global/checkpoints.zip
unzip checkpoints.zip
cd ../

安装依赖项

pip install -r requirements.txt

更详细的教程可以查看Colab中的内容。

Bringing-Old-Photos-Back-to-Life的使用和相关问题的解决

对于没有裂痕的图片的修复可以是用这个代码，进入项目文件的目录下

python run.py --input_folder [test_image_folder_path] \
              --output_folder [output_path] \
              --GPU 0

其中[test_image_folder_path]是想要修复的图片的目录地址，[output_path]是结果存放的地址，同时这些地址路径要是绝对路径。

如果是有裂痕的图片，代码有所不同

python run.py --input_folder [test_image_folder_path] \
              --output_folder [output_path] \
              --GPU 0 \
              --with_scratch

当然文章中给出的代码我在实际运行的情况中还是会出现问题的，这里我对我遇到的问题和相应简单的解决办法进行介绍：

在对没有裂痕的图片进行修复的时候出现在这里插入图片描述
这里我们可以将Face_Enhancement \ test_face.py中的第40行的代码img_name = img_path[b].split("/")[-1]改为img_name = os.path.split(img_path[b])[-1]问题可以解决。

该算法的运行实现对GPU的内存很挺高的要求，对于处理高像素的图片，我出现过Skip当前图片的提示，还有CUDA out of memory. Tried to allocate 78.00 MiB (GPU 0; 7.43 GiB total capacity; 6.42 GiB already allocated; 88.94 MiB free; 6.75 GiB reserved in total by PyTorch)这样的报错，主要问题还是内存处理不够，GPU同时处理不了这些操作，为了简单方便，所以我就从输入上，将要处理的图片的像素都先缩放至我电脑可以处理的像素要求，这样可以使算法相应的工作。

对于处理没有裂痕的图片的操作，我们可以将Global \ test.py中的data_transforms函数中的

h = int(round(oh / 4)*4)
w = int(round(ow / 4)*4)

直接修改为我们想要输入的图片缩放成能处理的像素大小，比如我这里就修改为

w = 450
h = 450

将原始输入图片缩放为450 x 450的像素，即可以正常运行（虽然结果会有点不太好看）。

对于处理有裂痕的图片，我们可以将Global \ detection.py中ata_transforms函数中if full_size == "full_size"中的

h = int(round(oh / 16) * 16)
w = int(round(ow / 16) * 16)

改为

h = 256
w = 256

这样缩放为256 x 256像素的图片。

处理完问题后，我们可以来测试一下，我们先对项目给出的图片进行测试。

对于没有裂痕的图片的处理（这里仅放出部分）

修复前
在这里插入图片描述
修复后

修复前
在这里插入图片描述
修复后

由于调整了像素，所以与原图有所出入，但是图片的清晰程度增加了，我们也可以试试自己的图片，我在网上找了几张图：

修复前
在这里插入图片描述
修复后

对于有裂痕的图片的处理

修复前
在这里插入图片描述
修复后

同样，我们可以将自己的图片的进行修复，比如我找到的一张：

修复前
在这里插入图片描述
修复后

总结：
怎么样，是不是觉得这个算法很有意思，那就找出那些照片来修复，重拾那些美好的旧时光，同时，有条件的伙伴可以提高电脑的配置，来修复更高像素的图片。

重拾旧时光——Bringing-Old-Photos-Back-to-Life