画像復元（DiffBIR，Python，PyTorch を使用）（Windows 上）

【要約】 DiffBIRは，画像復元の手法で，低品質な画像を高品質に復元する．Windows上でのインストールでは，TritonのインストールとDiffBIRのセットアップを行う．学習済みモデルを使用して，画像復元を行う．詳細は公式GitHubページで説明されている．

元画像と処理結果

【目次】

1. 前準備
2. DiffBIR のインストール（Windows 上）
3. DiffBIR の動作確認（Windows 上）
4. DiffBIR を使う Python プログラムの実行（Windows 上）

DiffBIR

DiffBIRは画像復元の手法の一つである。 画像復元は、低品質または劣化した画像を元の高品質な状態に修復するタスクである。 このタスクでは、ノイズや歪みなどの複雑な問題に対処する必要がある。 DiffBIRは、2つの主要なステージから成り立っている。 最初のステージでは、画像復元が行われ、低品質な画像が高品質に修復される。 そして、2番目のステージでは、事前に訓練されたStable Diffusionを使用して、高品質な画像が生成される。 DiffBIRは他の既存の手法よりも優れた結果を得ることができることが実験によって示されている。

【文献】

Xinqi Lin, Jingwen He, Ziyan Chen, Zhaoyang Lyu, Ben Fei, Bo Dai, Wanli Ouyang, Yu Qiao, Chao Dong, DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior, arXiv:2308.15070v1, 2023.

https://arxiv.org/pdf/2308.15070v1.pdf

【関連する外部ページ】

• 公式のデモページ（Google Colaboratory 上）: https://colab.research.google.com/github/camenduru/DiffBIR-colab/blob/main/DiffBIR_colab.ipynb
• DiffBIR の公式の GitHub のページ: https://github.com/XPixelGroup/DiffBIR
• Paper with Code のページ: https://paperswithcode.com/paper/diffbir-towards-blind-image-restoration-with

前準備

Build Tools for Visual Studio 2022 のインストール（Windows 上）

Build Tools for Visual Studio は，Visual Studio の IDE を含まない C/C++ コンパイラ，ライブラリ，ビルドツール等のコマンドライン向け開発ツールセットである。

以下のコマンドを管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。

REM VC++ ランタイム
winget install --scope machine --id Microsoft.VCRedist.2015+.x64 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet /norestart"

REM Build Tools + Desktop development with C++（VCTools）+ 追加コンポーネント（一括）
winget install --id Microsoft.VisualStudio.2022.BuildTools --accept-source-agreements --accept-package-agreements ^
    --override "--passive --wait --norestart --add Microsoft.VisualStudio.Workload.VCTools --includeRecommended --add Microsoft.VisualStudio.Component.VC.Llvm.Clang --add Microsoft.VisualStudio.ComponentGroup.ClangCL --add Microsoft.VisualStudio.Component.VC.CMake.Project --add Microsoft.VisualStudio.Component.Windows11SDK.26100"

--add で追加されるコンポーネント

上記のコマンドでは，まず Build Tools 本体と Visual C++ 再頒布可能パッケージをインストールし，次に setup.exe を用いて以下のコンポーネントを追加している。

• VCTools：C++ デスクトップ開発ワークロード（--includeRecommended により、MSVC コンパイラ、C++ AddressSanitizer、vcpkg、CMake ツール、Windows 11 SDK 等の推奨コンポーネントが含まれる）
• VC.Llvm.Clang：Windows 向け C++ Clang コンパイラ
• ClangCL：clang-cl ツールセットを含むコンポーネントグループ（MSBuild から Clang を使用するために必要）
• VC.CMake.Project：Windows 向け C++ CMake ツール
• Windows11SDK.26100：Windows 11 SDK（ビルド 10.0.26100）

インストール完了の確認

winget list Microsoft.VisualStudio.2022.BuildTools

上記以外の追加のコンポーネントが必要になった場合は Visual Studio Installer で個別にインストールできる。

Visual Studio の機能を必要とする場合は、追加インストールできる。

winget install --scope machine --id Python.Python.3.12 -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/quiet InstallAllUsers=1 PrependPath=1 Include_pip=1 Include_test=0 Include_launcher=1 InstallLauncherAllUsers=1"

python --version

Git のインストール

管理者権限のコマンドプロンプトで以下を実行する。管理者権限のコマンドプロンプトを起動するには、Windows キーまたはスタートメニューから「cmd」と入力し、表示された「コマンドプロンプト」を右クリックして「管理者として実行」を選択する。

REM Git をシステム領域にインストール
winget install --scope machine --id Git.Git -e --silent --disable-interactivity --force --accept-source-agreements --accept-package-agreements --override "/VERYSILENT /NORESTART /NOCANCEL /SP- /CLOSEAPPLICATIONS /RESTARTAPPLICATIONS /COMPONENTS=""icons,ext\reg\shellhere,assoc,assoc_sh"" /o:PathOption=Cmd /o:CRLFOption=CRLFCommitAsIs /o:BashTerminalOption=MinTTY /o:DefaultBranchOption=main /o:EditorOption=VIM /o:SSHOption=OpenSSH /o:UseCredentialManager=Enabled /o:PerformanceTweaksFSCache=Enabled /o:EnableSymlinks=Disabled /o:EnableFSMonitor=Disabled"

【関連する外部ページ】

• Git の公式ページ: https://git-scm.com/

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.9.7 のインストール（Windows 上）

【サイト内の関連ページ】 NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．

• Windows での Build Tools for Visual Studio 2022 のインストール: 別ページ »で説明
• Windows での NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN v8.9.7 のインストール手順: 別ページ »で説明

【関連する外部ページ】

• Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）の公式ダウンロードページ: https://visualstudio.microsoft.com/ja/visual-cpp-build-tools/
• NVIDIA ドライバのダウンロードの公式ページ: https://www.nvidia.co.jp/Download/index.aspx?lang=jp
• NVIDIA CUDA ツールキットのアーカイブの公式ページ: https://developer.nvidia.com/cuda-toolkit-archive
• NVIDIA cuDNN のダウンロードの公式ページ: https://developer.nvidia.com/cudnn

PyTorch のインストール（Windows 上）

1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
2. PyTorch のページを確認

   PyTorch の公式ページ: https://pytorch.org/index.html

3. 次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．

   次のコマンドを実行することにより， PyTorch 2.3 （NVIDIA CUDA 11.8 用）がインストールされる． 但し，Anaconda3を使いたい場合には別手順になる．

   事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．

   PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．

   python -m pip install -U --ignore-installed pip
   python -m pip uninstall -y torch torchvision torchaudio torchtext xformers
   python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118
   
   python -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
   

   
   Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し， 次のコマンドを実行する． （PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）．

   conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia
   py -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
   

   【サイト内の関連ページ】

   • Windows での PyTorch のインストール: 別ページ »で説明

   【関連する外部ページ】

   • PyTorch の公式ページ: https://pytorch.org/index.html

DiffBIR のインストール（Windows 上）

FFmpeg のインストール（Windows 上）

Windows での FFmpeg のインストール（Windows 上）: 別ページ »で説明

triton のインストール（Windows 上）

1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
2. triton のインストール

   pip install https://huggingface.co/r4ziel/xformers_pre_built/resolve/main/triton-2.0.0-cp310-cp310-win_amd64.whl
   

DiffBIR のインストール（Windows 上）

1. 以下の手順を管理者権限のコマンドプロンプトで実行する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。
2. インストール，学習済みモデルのダウンロード

   cd /d c:%HOMEPATH%
   rmdir /s /q DiffBIR
   python -m pip install xformers
   git clone https://github.com/XPixelGroup/DiffBIR.git
   cd DiffBIR
   python -m pip install -U numpy torch torchvision torchaudio xformers pytorch_lightning==1.7.7 torchmetrics==0.11.4 torchdata torchtext einops open-clip-torch omegaconf triton opencv-python-headless scipy matplotlib lpips gradio chardet transformers facexlib --extra-index-url https://download.pytorch.org/whl/cu118
   mkdir weights
   cd weights
   curl -L -O https://huggingface.co/lxq007/DiffBIR/resolve/main/face_full_v1.ckpt
   curl -L -O https://huggingface.co/lxq007/DiffBIR/resolve/main/face_swinir_v1.ckpt 
   curl -L -O https://huggingface.co/lxq007/DiffBIR/resolve/main/general_full_v1.ckpt
   curl -L -O https://huggingface.co/lxq007/DiffBIR/resolve/main/general_swinir_v1.ckpt
   

3. 終了の確認

   エラーメッセージが出ないこと

   

DiffBIR の動作確認（Windows 上）

DiffBIR の公式の GitHub のページ: https://github.com/XPixelGroup/DiffBIR に従う

1. Windows で，コマンドプロンプトを実行
2. 画像復元の実行

   公開されている学習済みモデルを用いて実行する． 画像復元したい画像ファイルは，inputs/demo/general に置く． 画像復元の結果は，out に置かれる．

   set PYTHONPATH=%PYTHONPATH%;.
   cd /d c:%HOMEPATH%
   cd DiffBIR
   python inference.py ^
   --input inputs/demo/general ^
   --config configs/model/cldm.yaml ^
   --ckpt weights/general_full_v1.ckpt ^
   --reload_swinir --swinir_ckpt weights/general_swinir_v1.ckpt ^
   --steps 50 ^
   --sr_scale 4 ^
   --image_size 512 ^
   --color_fix_type wavelet --resize_back ^
   --output out ^
   --device cuda
   

   元画像

   

   処理結果

   
3. 別の画像で試してみた結果

   元画像

   

   処理結果

   

.mp4 ファイルを処理するプログラム

1. Windows で，コマンドプロンプトを実行
2. エディタを起動

   cd /d c:%HOMEPATH%\DiffBIR
   mkdir invideo
   notepad diffbirvideo.py
   

3. エディタで，次のプログラムを保存

   このプログラムは， 公式の GitHub のレポジトリで公開されていたものを変更している．

   from typing import List, Tuple, Optional
   import os
   import math
   from argparse import ArgumentParser, Namespace
   
   import numpy as np
   import torch
   import einops
   import pytorch_lightning as pl
   from PIL import Image
   from omegaconf import OmegaConf
   
   from ldm.xformers_state import disable_xformers
   from model.spaced_sampler import SpacedSampler
   from model.cldm import ControlLDM
   from model.cond_fn import MSEGuidance
   from utils.image import auto_resize, pad
   from utils.common import instantiate_from_config, load_state_dict
   from utils.file import list_image_files, get_file_name_parts
   
   
   @torch.no_grad()
   def process(
       model: ControlLDM,
       control_imgs: List[np.ndarray],
       steps: int,
       strength: float,
       color_fix_type: str,
       disable_preprocess_model: bool,
       cond_fn: Optional[MSEGuidance],
       tiled: bool,
       tile_size: int,
       tile_stride: int
   ) -> Tuple[List[np.ndarray], List[np.ndarray]]:
       """
       Apply DiffBIR model on a list of low-quality images.
       
       Args:
           model (ControlLDM): Model.
           control_imgs (List[np.ndarray]): A list of low-quality images (HWC, RGB, range in [0, 255]).
           steps (int): Sampling steps.
           strength (float): Control strength. Set to 1.0 during training.
           color_fix_type (str): Type of color correction for samples.
           disable_preprocess_model (bool): If specified, preprocess model (SwinIR) will not be used.
           cond_fn (Guidance | None): Guidance function that returns gradient to guide the predicted x_0.
           tiled (bool): If specified, a patch-based sampling strategy will be used for sampling.
           tile_size (int): Size of patch.
           tile_stride (int): Stride of sliding patch.
       
       Returns:
           preds (List[np.ndarray]): Restoration results (HWC, RGB, range in [0, 255]).
           stage1_preds (List[np.ndarray]): Outputs of preprocess model (HWC, RGB, range in [0, 255]). 
               If `disable_preprocess_model` is specified, then preprocess model's outputs is the same 
               as low-quality inputs.
       """
       n_samples = len(control_imgs)
       sampler = SpacedSampler(model, var_type="fixed_small")
       control = torch.tensor(np.stack(control_imgs) / 255.0, dtype=torch.float32, device=model.device).clamp_(0, 1)
       control = einops.rearrange(control, "n h w c -> n c h w").contiguous()
       
       if not disable_preprocess_model:
           control = model.preprocess_model(control)
       model.control_scales = [strength] * 13
       
       if cond_fn is not None:
           cond_fn.load_target(2 * control - 1)
       
       height, width = control.size(-2), control.size(-1)
       shape = (n_samples, 4, height // 8, width // 8)
       x_T = torch.randn(shape, device=model.device, dtype=torch.float32)
       if not tiled:
           samples = sampler.sample(
               steps=steps, shape=shape, cond_img=control,
               positive_prompt="", negative_prompt="", x_T=x_T,
               cfg_scale=1.0, cond_fn=cond_fn,
               color_fix_type=color_fix_type
           )
       else:
           samples = sampler.sample_with_mixdiff(
               tile_size=tile_size, tile_stride=tile_stride,
               steps=steps, shape=shape, cond_img=control,
               positive_prompt="", negative_prompt="", x_T=x_T,
               cfg_scale=1.0, cond_fn=cond_fn,
               color_fix_type=color_fix_type
           )
       x_samples = samples.clamp(0, 1)
       x_samples = (einops.rearrange(x_samples, "b c h w -> b h w c") * 255).cpu().numpy().clip(0, 255).astype(np.uint8)
       control = (einops.rearrange(control, "b c h w -> b h w c") * 255).cpu().numpy().clip(0, 255).astype(np.uint8)
       
       preds = [x_samples[i] for i in range(n_samples)]
       stage1_preds = [control[i] for i in range(n_samples)]
       
       return preds, stage1_preds
   
   
   def parse_args() -> Namespace:
       parser = ArgumentParser()
       
       # TODO: add help info for these options
       parser.add_argument("--ckpt", required=True, type=str, help="full checkpoint path")
       parser.add_argument("--config", required=True, type=str, help="model config path")
       parser.add_argument("--reload_swinir", action="store_true")
       parser.add_argument("--swinir_ckpt", type=str, default="")
       
       parser.add_argument("--input", type=str, required=True)
       parser.add_argument("--steps", required=True, type=int)
       parser.add_argument("--sr_scale", type=float, default=1)
       parser.add_argument("--image_size", type=int, default=512)
       parser.add_argument("--disable_preprocess_model", action="store_true")
       
       # patch-based sampling
       parser.add_argument("--tiled", action="store_true")
       parser.add_argument("--tile_size", type=int, default=512)
       parser.add_argument("--tile_stride", type=int, default=256)
       
       # latent image guidance
       parser.add_argument("--use_guidance", action="store_true")
       parser.add_argument("--g_scale", type=float, default=0.0)
       parser.add_argument("--g_t_start", type=int, default=1001)
       parser.add_argument("--g_t_stop", type=int, default=-1)
       parser.add_argument("--g_space", type=str, default="latent")
       parser.add_argument("--g_repeat", type=int, default=5)
       
       parser.add_argument("--color_fix_type", type=str, default="wavelet", choices=["wavelet", "adain", "none"])
       parser.add_argument("--resize_back", action="store_true")
       parser.add_argument("--output", type=str, required=True)
       parser.add_argument("--show_lq", action="store_true")
       parser.add_argument("--skip_if_exist", action="store_true")
       
       parser.add_argument("--seed", type=int, default=231)
       parser.add_argument("--device", type=str, default="cuda", choices=["cpu", "cuda"])
       
       return parser.parse_args()
   
   import cv2
   
   def list_mp4_files(datadir):
       return [os.path.join(datadir, f) for f in os.listdir(datadir) if f.endswith('.mp4')]
   
   def main() -> None:
       args = parse_args()
       pl.seed_everything(args.seed)
       
       if args.device == "cpu":
           disable_xformers()
       
       model: ControlLDM = instantiate_from_config(OmegaConf.load(args.config))
       load_state_dict(model, torch.load(args.ckpt, map_location="cpu"), strict=True)
       # reload preprocess model if specified
       if args.reload_swinir:
           if not hasattr(model, "preprocess_model"):
               raise ValueError(f"model don't have a preprocess model.")
           print(f"reload swinir model from {args.swinir_ckpt}")
           load_state_dict(model.preprocess_model, torch.load(args.swinir_ckpt, map_location="cpu"), strict=True)
       model.freeze()
       model.to(args.device)
       
       assert os.path.isdir(args.input)
       
       for file_path in list_mp4_files(args.input):
           print(file_path)
           cap = cv2.VideoCapture(file_path)
           frame_num = 0
           while cap.isOpened():
               ret, frame = cap.read()
               if not ret:
                   break
       
               cv2.imwrite('a.png', frame)
               print(f"Saved frame {frame_num} as 'a.png'")
       
               lq = Image.open('a.png').convert("RGB")
               if args.sr_scale != 1:
                   lq = lq.resize(
                       tuple(math.ceil(x * args.sr_scale) for x in lq.size),
                       Image.BICUBIC
                   )
               if not args.tiled:
                   lq_resized = auto_resize(lq, 512)
               else:
                   lq_resized = auto_resize(lq, args.tile_size)
               x = pad(np.array(lq_resized), scale=64)
              
               # initialize latent image guidance
               if args.use_guidance:
                   cond_fn = MSEGuidance(
                       scale=args.g_scale, t_start=args.g_t_start, t_stop=args.g_t_stop,
                       space=args.g_space, repeat=args.g_repeat
                   )
               else:
                   cond_fn = None
               
               preds, stage1_preds = process(
                   model, [x], steps=args.steps,
                   strength=1,
                   color_fix_type=args.color_fix_type,
                   disable_preprocess_model=args.disable_preprocess_model,
                   cond_fn=cond_fn,
                   tiled=args.tiled, tile_size=args.tile_size, tile_stride=args.tile_stride
               )
               pred, stage1_pred = preds[0], stage1_preds[0]
               
               # remove padding
               pred = pred[:lq_resized.height, :lq_resized.width, :]
               stage1_pred = stage1_pred[:lq_resized.height, :lq_resized.width, :]
               save_path = f'a{str(frame_num).zfill(7)}.png'
               Image.fromarray(pred).resize(lq.size, Image.LANCZOS).save(save_path)
               print(f"save to {save_path}")
               frame_num += 1
   
           cap.release()
   
   if __name__ == "__main__":
       main()
   

4. .mp4 動画ファイルを準備する

   ここでは，次のコマンドを実行する， 動画像ファイルをダウンロードし， 「-b:v 100k -vf "boxblur=luma_radius=5:luma_power=1,eq=contrast=1.5」を指定することにより，わざと動画像を劣化させている． また、-vf scale=1024:-1 は、動画の幅を1024画素に変換し，高さをアスペクト比に基づいて算出している．

   もちろん，自前の動画ファイルを準備してもよい．

   cd /d c:%HOMEPATH%\DiffBIR
   mkdir invideo
   curl -O https://www.kkaneko.jp/sample/pose/kaneko_sample_video.mp4
   del kaneko_sample_video_lowquality.mp4
   ffmpeg -i kaneko_sample_video.mp4 -vf "scale=1024:-1,boxblur=luma_radius=5:luma_power=1,eq=contrast=1.5" -b:v 100k -r 30 kaneko_sample_video_lowquality.mp4
   
   copy kaneko_sample_video_lowquality.mp4 invideo
   

   ここで準備した動画ファイル kaneko_sample_video_lowquality.mp4 は次のような 動画である．

   

   準備した動画ファイルは，invideo のようなディレクトリを作り，そこに置くことにする．

   
5. プログラムの実行
   Python プログラムの実行

   • Windows では python （Python ランチャーは py）
   • Ubuntu では python3

   Python 開発環境（Jupyter Qt Console, Jupyter ノートブック (Jupyter Notebook), Jupyter Lab, Nteract, Spyder, PyCharm, PyScripterなど）も便利である．

   Python のまとめ: 別ページ »にまとめ

   set PYTHONPATH=%PYTHONPATH%;.
   cd /d c:%HOMEPATH%
   cd DiffBIR
   python diffbirvideo.py ^
   --input invideo ^
   --config configs/model/cldm.yaml ^
   --ckpt weights/general_full_v1.ckpt ^
   --reload_swinir --swinir_ckpt weights/general_swinir_v1.ckpt ^
   --steps 50 ^
   --sr_scale 1 ^
   --image_size 512 ^
   --color_fix_type wavelet --resize_back ^
   --output out ^
   --device cuda
   

   
6. 連番画像ができるので確認
7. 連番画像から .mp4 動画ファイルを作成

   ffmpeg -framerate 30 -i a%07d.png -c:v libx264 -pix_fmt yuv420p output.mp4
   

   結果は次の通り

   使用した動画ファイル: kaneko_sample_video_lowquality.mp4

   

   DiffBIR での処理結果: output.mp4