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，
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
。
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
/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 /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/networksgit clone /vacancy/Synchronized-BatchNorm-PyTorchcp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .cd ../../../
cd Global/detection_modelsgit clone /vacancy/Synchronized-BatchNorm-PyTorchcp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .cd ../../
然后下载相应的组件
cd Face_Detection/wget /files/shape_predictor_68_face_landmarks.dat.bz2bzip2 -d shape_predictor_68_face_landmarks.dat.bz2cd ../
cd Face_Enhancement/wget https://facevc.blob./zhanbo/old_photo/pretrain/Face_Enhancement/checkpoints.zipunzip checkpoints.zipcd ../
cd Global/wget https://facevc.blob./zhanbo/old_photo/pretrain/Global/checkpoints.zipunzip checkpoints.zipcd ../
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
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 = 450h = 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 = 256w = 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
修复后
修复前
修复后
修复前
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
修复后
修复前
修复后
对于有裂痕的图片的处理
修复前
修复后
修复前
修复后
修复前
修复后
修复前
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
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。
如果觉得《重拾旧时光——Bringing-Old-Photos-Back-to-Life》对你有帮助，请点赞、收藏，并留下你的观点哦！
