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

前準備

Build Tools for Visual Studio 2022 (ビルドツール for Visual Studio 2022)または Visual Studio 2022 のインストール(Windows 上)

インストールの判断Build Tools for Visual Studio は,開発ツールセットである. Visual Studio は統合開発環境であり,いくつかの種類があり,Build Tools for Visual Studioの機能を含むか連携して使用するものである.インストールは以下の基準で判断してください:

不明な点がある場合は,Visual Studio 全体をインストール を行う方が良い.

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

  1. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

    次のコマンドを実行

    次のコマンドは,Build Tools for Visual Studio 2022と VC2015 再配布可能パッケージをインストールするものである.

    winget install --scope machine Microsoft.VisualStudio.2022.BuildTools 
    winget install --scope machine Microsoft.VCRedist.2015+.x64
    
  2. Build Tools for Visual Studio 2022 での C++ によるデスクトップ開発,CLI,ATL,MFC のインストール(Windows 上)
    1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ.

    2. Visual Studio Build Tools 2022 で「変更」を選ぶ.
    3. C++ によるデスクトップ開発」をクリック.そして,画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート(最新)」,「ATL」,「MFC」をチェックする.その後,「変更」をクリック.

Visual Studio のインストール(Windows 上)

  1. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

    次のコマンドを実行

    次のコマンドは,Visual Studio Community 2022と VC2015 再配布可能パッケージをインストールするものである.

    winget install --scope machine Microsoft.VisualStudio.2022.Community
    winget install --scope machine Microsoft.VCRedist.2015+.x64
    
  2. Visual Studio での C++ によるデスクトップ開発,CLI のインストール(Windows 上)
    1. Visual Studio Installer の起動

      起動方法: スタートメニューの「Visual Studio Installer」を選ぶ.

    2. Visual Studio Community 2022 で「変更」を選ぶ.
    3. C++ によるデスクトップ開発」をチェック.そして,画面右側の「インストール」の詳細で「v143 ビルドツール用 C++/CLI サポート(最新)」をチェックする.その後,「インストール」をクリック.

Python 3.10,Git のインストール(Windows 上)

Pythonは,プログラミング言語の1つ. Gitは,分散型のバージョン管理システム.

手順

  1. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

    次のコマンドを実行

    次のコマンドは,Python ランチャーとPython 3.10とGitをインストールし,Gitパスを通すものである.

    次のコマンドでインストールされるGitは 「git for Windows」と呼ばれるものであり, Git,MinGW などから構成されている.

    winget install --scope machine Python.Launcher
    winget install --scope machine Python.Python.3.10
    winget install --scope machine Git.Git
    powershell -command "$oldpath = [System.Environment]::GetEnvironmentVariable(\"Path\", \"Machine\"); $oldpath += \";c:\Program Files\Git\cmd\"; [System.Environment]::SetEnvironmentVariable(\"Path\", $oldpath, \"Machine\")"
    

関連する外部ページ

サイト内の関連ページ

関連項目Python, Git バージョン管理システム, Git の利用

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.

関連する外部ページ

PyTorch のインストール(Windows 上)

  1. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  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)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

    関連する外部ページ

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. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  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. Windows で,コマンドプロンプト管理者として実行

    コマンドプロンプトを管理者として実行: 別ページ »で説明

  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

    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