GFPGAN源码分析—第二篇

最新推荐文章于 2024-07-31 09:30:00 发布

Vaifer233

最新推荐文章于 2024-07-31 09:30:00 发布

阅读量1.7k

点赞数 1

分类专栏： GFPGAN源码分析文章标签： python 计算机视觉深度学习

本文链接：https://blog.csdn.net/Vaifer233/article/details/121756826

版权

GFPGAN源码分析专栏收录该内容

14 篇文章 27 订阅

订阅专栏

本文介绍了如何使用GFPGAN进行图像修复，通过ArgumentParser解析参数，利用RealESRGAN进行背景增强，并展示了如何处理和保存修复后的图片。核心内容包括命令行参数解析和模型应用过程。

摘要由CSDN通过智能技术生成

2021SC@SDUSC

源码：inference_gfpgan.py

主要包含一个main函数，执行inference，下面我们看一下具体操作

main（）

1.创建一个 ArgumentParser 对象,ArgumentParser 对象包含将命令行解析成 Python 数据类型所需的全部信息。即修复图像所需要的参数路径等等

2.使用 parse_args() 解析添加的参数

3.确认cuda能否使用，能否在gpu上运行，可以的话设置background upsampler为一个RealESRGANer。

4.设置一个GFPGAN restorer

main（）：

1.创建一个 ArgumentParser 对象,ArgumentParser 对象包含将命令行解析成 Python 数据类型所需的全部信息。即修复图像所需要的参数路径等等

parser = argparse.ArgumentParser()
'''调用 add_argument() 方法添加参数'''
parser.add_argument('--upscale', type=int, default=2)
parser.add_argument('--arch', type=str, default='clean')
parser.add_argument('--channel', type=int, default=2)
parser.add_argument('--model_path', type=str, default='experiments/pretrained_models/GFPGANCleanv1-NoCE-C2.pth')
parser.add_argument('--bg_upsampler', type=str, default='realesrgan')
parser.add_argument('--bg_tile', type=int, default=0)
parser.add_argument('--test_path', type=str, default='inputs/whole_imgs')
parser.add_argument('--suffix', type=str, default=None, help='Suffix of the restored faces')
parser.add_argument('--only_center_face', action='store_true')
parser.add_argument('--aligned', action='store_true')
parser.add_argument('--paste_back', action='store_false')
parser.add_argument('--save_root', type=str, default='results')

ArgumentParser是python参数解析工具，一般新建一个ArgumentParser类对象，然后来添加若干个参数选项，最后通过parse_args()方法解析并获得命令行传来的参数。通过命令行运行Python脚本时，可以通过ArgumentParser来高效地接受并解析命令行参数。

2.使用 parse_args() 解析添加的参数

args = parser.parse_args()
if args.test_path.endswith('/'):
    args.test_path = args.test_path[:-1]
os.makedirs(args.save_root, exist_ok=True)

3.确认cuda能否使用，能否在gpu上运行，可以的话设置background upsampler为一个RealESRGANer。

实际上是一个使用U-net的超分辨率算法，之后将作为参数传入GFPGAN restorer。

if args.bg_upsampler == 'realesrgan':
    '''torch.cuda.is_available()返回cuda是否可用；'''
    if not torch.cuda.is_available():  # CPU
        print(torch.zeros(1).cuda())
        print(torch.cuda.is_available())
        import warnings
        warnings.warn('The unoptimizsed RealESRGAN is very slow on CPU. We do not use it. '
                      'If you really want to use it, please modify the corresponding codes.')
        bg_upsampler = None
    else:
        print('torch.cuda.is_available')
        from realesrgan import RealESRGANer
        bg_upsampler = RealESRGANer(
            scale=2,
            model_path='https://github.com/xinntao/Real-ESRGAN/releases/download/v0.2.1/RealESRGAN_x2plus.pth',
            tile=args.bg_tile,
            tile_pad=10,
            pre_pad=0,
            half=True)  # need to set False in CPU mode
else:
    bg_upsampler = None

4.设置一个GFPGAN restorer

restorer = GFPGANer(
    model_path=args.model_path,
    upscale=args.upscale,
    arch=args.arch,
    channel_multiplier=args.channel,
    bg_upsampler=bg_upsampler)

img_list = sorted(glob.glob(os.path.join(args.test_path, '*')))

遍历上述列表做以下操作

读取每一张图片，并调用enhance方法对图片进行修复

保存图片，包括裁剪出的人脸部分，修复好的人脸部分，整体的修复图片等等，不再赘述

for img_path in img_list:
    # read image

    img_name = os.path.basename(img_path)
    print(f'Processing {img_name} ...')
    basename, ext = os.path.splitext(img_name)
    input_img = cv2.imread(img_path, cv2.IMREAD_COLOR)

    cropped_faces, restored_faces, restored_img = restorer.enhance(
        input_img, has_aligned=args.aligned, only_center_face=args.only_center_face, paste_back=args.paste_back)

    # save faces
    for idx, (cropped_face, restored_face) in enumerate(zip(cropped_faces, restored_faces)):
        # save cropped face
        save_crop_path = os.path.join(args.save_root, 'cropped_faces', f'{basename}_{idx:02d}.png')
        imwrite(cropped_face, save_crop_path)
        # save restored face
        if args.suffix is not None:
            save_face_name = f'{basename}_{idx:02d}_{args.suffix}.png'
        else:
            save_face_name = f'{basename}_{idx:02d}.png'
        save_restore_path = os.path.join(args.save_root, 'restored_faces', save_face_name)
        imwrite(restored_face, save_restore_path)
        # save cmp image
        cmp_img = np.concatenate((cropped_face, restored_face), axis=1)
        imwrite(cmp_img, os.path.join(args.save_root, 'cmp', f'{basename}_{idx:02d}.png'))
    # save restored img
    if args.suffix is not None:
        save_restore_path = os.path.join(args.save_root, 'restored_imgs', f'{basename}_{args.suffix}{ext}')
    else:
        save_restore_path = os.path.join(args.save_root, 'restored_imgs', img_name)
    imwrite(restored_img, save_restore_path)

以上即为inference_gfpgan.py全部功能实现