哈喽，大家好，今天繼續給大家分享有趣的 AI 項目。
今天我們分享用NoGAN的圖像增強技術給老照片著色。喜歡記得收藏、關注、點贊。
注：資料數據、文末提供技術交流群
效果如下：
原圖
上色後
NoGAN是一種新型GAN，它能花費最少的時間進行GAN訓練。
今天分享的這個項目已在GitHub開源項目，下面我們來運行一下。
首先，用git clone命令下載源碼
git clone https://github.com/jantic/DeOldify.git
進入項目根目錄，安裝Python依賴包
pip3 install -r requirements.txt
編寫代碼運行項目之前，需要下載預訓練好的模型。項目提供了三個模型
模型
區別如下：
ColorizeArtistic_gen.pth：在有趣的細節和活力方面實現了最高質量的圖像著色效果，該模型在 UNet 上使用 resnet34 為主干，通過 NoGAN 進行了 5 次評論家預訓練/GAN 循環重復訓練
ColorizeStable_gen.pth：在風景和肖像方面取得了最佳效果，該模型在 UNet 上使用 resnet101 為主干，通過 NoGAN 進行了 3 次評論家預訓練/GAN 循環重復訓練
ColorizeVideo_gen.pth：針對流暢的視頻進行了優化，它僅使用初始生成器/評論家預訓練/GAN NoGAN 訓練。由於追求流暢的速度，它的色彩比前兩者少。
將下載好的模型文件放在項目根目錄的models目錄下即可。
在項目根目錄同級目錄下創建Python文件，編寫代碼加載剛剛下載好的模型文件。
from DeOldify.deoldify.generators import gen_inference_wide
from DeOldify.deoldify.filters import MasterFilter, ColorizerFilter
# 指定模型文件
learn = gen_inference_wide(root_folder=Path('./DeOldify'), weights_name='ColorizeVideo_gen')
# 加載模型
deoldfly_model = MasterFilter([ColorizerFilter(learn=learn)], render_factor=10)
root_folder指定項目根目錄，weights_name指定接下來使用哪個模型為照片上色。
讀取老照片，進行上色
import cv2
import numpy as np
from PIL import Image
img = cv2.imread('./images/origin.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
pil_img = Image.fromarray(img)
filtered_image = deoldfly_model.filter(
pil_img, pil_img, render_factor=35, post_process=True
)
result_img = np.asarray(filtered_image)
result_img = cv2.cvtColor(result_img, cv2.COLOR_RGB2BGR)
cv2.imwrite('deoldify.jpg', result_img)
用cv2讀取老照片，並用PIL.Image模塊將圖片轉換成模型輸入所需要的格式，送入模型進行上色，完成後保存。
上述代碼是我從項目源碼中抽取的，可以看到，運行代碼還是非常簡單的。
感興趣的朋友可以自己運行一下，也可以試試其他模型的效果。
目前已開通了技術交流群，群友已超過2000人，添加時最好的備注方式為：來源+興趣方向，方便找到志同道合的朋友
研究方向包括：機器學習、數據挖掘、目標檢測、圖像分割、目標跟蹤、人臉檢測&識別、OCR、姿態估計、超分辨率、SLAM、醫療影像、Re-ID、GAN、NAS、深度估計、自動駕駛、強化學習、車道線檢測、模型剪枝&壓縮、去噪、去霧、去雨、風格遷移、遙感圖像、行為識別、視頻理解、圖像融合、圖像檢索、論文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要備注：研究方向+學校/公司+昵稱（如Transformer或者目標檢測+上交+卡卡），根據格式備注，可更快被通過且邀請進群。
