推荐 | github 项目推荐：用 edge-connect 进行图像修复

AI 科技评论按：用对抗性边缘学习修复生成图像是一种新的图像修复方法，它可以更好地复制填充区域，它的细节部分展现了开发者对艺术工作者工作方式的理解：线条优先，颜色次之。对应的论文在 arxiv 上可以查看：https://arxiv.org/abs/1901.00212。

文中提出了一种 2 阶对抗式边缘连接模型，该模型由一个边缘生成器和一个图像完成网络组成。边缘生成器先描绘出图像缺失区域（规则和不规则）的边缘，图像完成网络先验使用描绘出的边缘填充缺失区域。论文对该系统进行了详细的描述。

（a）输入有缺失区域的图像，缺失区域用白色表示。（b）计算得到的边缘，使用 Canny 边缘检测器计算（针对可用区域）黑色绘制的边缘；而蓝色显示的边缘由边缘生成器网络描绘。（c）拟用方法的图像修复结果。

准备：

Python 3

PyTorch 1.0

NVIDIA GPU + CUDA cuDNN

安装：

复制下面这个 repo：

git clone https://github.com/knazeri/edge-connect.gitcd edge-connect cd edge-connect

从 http://pytorch.org 安装 PyTorch 及其相关依赖。

安装 python 文件：

pip install -r requirements.txt

数据集

1. 图像

这里使用 Places2（http://places2.csail.mit.edu/）, CelebA （http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html）以及 Paris Street-View （https://github.com/pathak22/context-encoder）数据集。从官网下载数据集，在整个数据集上训练模型。

下载完成后，运行 scripts/flist.py （http://edge-connect/）这个文件来生成训练、测试和验证集文件列表。例如，要在 Places2 数据集上生成训练集文件列表，请运行：

mkdir datasets python ./scripts/flist.py --path path_to_places2_train_set --output ./datasets/places_train.flist

2 .不规则掩膜

我们的模型是在 Liu 等人（https://arxiv.org/abs/1804.07723）提供的不规则掩模数据集上进行训练的，你可以从他们的网站（http://masc.cs.gmu.edu/wiki/partialconv）上下载公开的不规则掩膜数据集。

请使用 scripts/flist.py 生成上述训练、测试和验证集掩膜文件列表。

开始

使用以下链接下载预先训练的模型，并将其复制到./checkpoints 目录下。

Places2 | CelebA | Paris-StreetView

或者，你可以运行以下脚本自动下载预训练的模型：

bash ./scripts/download_model.sh

1 .训练

要训练模型，请创建一个类似于示例配置文件的 config.yaml 文件，并将其复制到检查点目录下。有关模型配置的详细信息，请参阅配置指南。

EdgeConnect 的训练分为三个阶段：1）边缘模型的训练；2）内部模型的训练；3）联合模型的训练。训练模型：

python train.py --model [stage] --checkpoints [path to checkpoints]

例如，要在./checkpoints/places2 目录下的 places2 数据集上训练边缘模型：

python train.py --model 1 --checkpoints ./checkpoints/places2

模型的收敛性因数据集而异。例如，Places2 数据集在两个时期中的一个就能聚合，而较小的数据集（如 CelebA）则需要将近 40 个时期才能聚合。你可以通过更改配置文件中的 MAX_ITERS 值来设置训练迭代次数。

2 .测试

要测试模型，请创建一个与示例配置文件（https://github.com/knazeri/edge-connect/blob/master/config.yml.example）类似的 config.yaml 文件，并将其复制到检查点目录下。

你可以在所有三个阶段上测试模型：边缘模型、内部模型和联合模型。在每种情况下，都需要提供一个输入图像（带掩膜的图像）和一个灰度掩膜文件。请确保掩膜文件覆盖输入图像中的整个掩膜区域。测试模型：

python test.py \ --model [stage] --checkpoints [path to checkpoints] \ --input [path to input directory or file] \ --mask [path to masks directory or mask file] \ --output [path to the output directory]

我们在./examples 目录下提供了一些测试示例，请下载预训练模型并运行：

python test.py \ --checkpoints ./checkpoints/places2 --input ./examples/places2/images --mask ./examples/places2/masks --output ./checkpoints/results

此脚本将在./examples/places2/images 中使用和./examples/places2/mask 对应的掩膜图像，并将结果保存在./checkpoints/results 目录中。默认情况下，test.py 脚本在阶段 3 上运行（--model=3）。

3 .评估

要评估模型，你需要首先在测试模式下对 validation 集运行模型，并将结果保存到磁盘上。我们提供了一个实用程序./scripts/metrics.py，使用 PSNR, SSIM 和 Mean Absolute Error 评估模型：

python ./scripts/metrics.py --data-path [验证集路径] --输出路径 [模型输出路径]

要测量 FID 分数，请运行./scripts/fid_score.py。我们利用了这里的 FID 的 pytorch 实现，它使用了 pytorch 初始模型中的预训练权重。

python ./scripts/fid_score.py --path [验证集路径, 模型输出路径] --gpu [要使用的 gpu id]

via：

https://github.com/knazeri/edge-connect