什么是APISR
APISR 是一款开源的基于现实世界动漫画面的超分辨率恢复与增强工具。该工具专门设计用于改善低质量、低分辨率的动漫图像和视频。它能有效处理各种现实场景中的退化问题，提升画面质量。此外，APISR 使用最新的技术和研究成果，为动漫爱好者及专业制作人员提供高效的解决方案，进一步推动动漫产业的技术发展。
项目链接：https://github.com/Kiteretsu77/APISR
APISR安装
git clone git@github.com:Kiteretsu77/APISR.git
cd APISR# Create conda env
conda create -n APISR python=3.10
conda activate APISR# Install Pytorch and other packages needed
pip install torch==2.1.1 torchvision==0.16.1 torchaudio==2.1.1 --index-url https://download.pytorch.org/whl/cu118
pip install -r requirements.txt# To be absolutely sure that the tensorboard can execute. I recommend the following CMD from "https://github.com/pytorch/pytorch/issues/22676#issuecomment-534882021"
pip uninstall tb-nightly tensorboard tensorflow-estimator tensorflow-gpu tf-estimator-nightly
pip install tensorflow# Install FFMPEG [Only needed for training and dataset curation stage; inference only does not need ffmpeg] (the following is for the linux system, Windows users can download ffmpeg from https://ffmpeg.org/download.html)
sudo apt install ffmpeg
Gradio快速推理
Gradio 选项无需用户准备权重，但每次只能处理一张图片。
在线演示可以在以下网址找到：HuggingFace 或 Colab。
可以通过运行以下代码创建本地 Gradio：
python app.py
注意：Gradio 是为了快速推断，因此将自动下载现有权重并将图像降采样至 720P，以减少 VRAM 消耗。如需进行完整的推理，请查看下面的常规推理部分。
常规推理
从model zoo下载模型权重，并将权重放到“pretrained”文件夹中。
https://github.com/Kiteretsu77/APISR/blob/main/docs/model_zoo.md
然后，执行
python test_code/inference.py --input_dir XXX --weight_path XXX --store_dir XXX
如果你下载的权重是论文权重，那么 test_code/inference.py 的默认参数能够执行“assets”文件夹中的样本图片。
数据集管理
数据集整理管道位于 dataset_curation_pipeline 文件夹中。
你可以通过将视频（mp4 或其他格式）发送到管道中来收集你的数据集，并从视频源中获取最少压缩和最具信息量的图像。
从下方链接下载 IC9600 权重（ck.pth）并将其放置在 "pretrained/" 文件夹中（或者，你可以在以下 collect.py 执行中定义不同的 --IC9600_pretrained_weight_path）
https://drive.google.com/drive/folders/1N3FSS91e7FkJWUKqT96y_zcsG9CRuIJw
如果你有一个包含视频源的文件夹，你可以执行以下命令来获取一个基本的数据集（需要安装 ffmpeg）：
python dataset_curation_pipeline/collect.py --video_folder_dir XXX --save_dir XXX
一旦你获得了具有不同宽高比和分辨率的图像数据集，你可以运行以下脚本
注意检查 uncropped_hr、degrade_hr_dataset_path 和 train_hr_dataset_path（我们将在训练阶段的 opt.py 设置中使用这些路径）
为了降低内存利用率和提高训练效率，在数据准备阶段我们预处理所有耗时的伪高清图像（train_hr_dataset_path）。
但是，为了创建面向预测的自然输入压缩，在每个周期中，从未裁剪的高清图像（uncropped_hr）开始降级，低分辨率的合成图像也同时存储。裁剪的高清高清数据集（degrade_hr_dataset_path）和裁剪的伪高清数据集（train_hr_dataset_path）在数据准备阶段固定，训练期间不会修改。
注意检查是否有任何 OOM（内存不足）现象。如果有，将无法正确完成数据集准备。通常，这是因为 scripts/anime_strong_usm.py 中的 num_workers 设置太大了！
训练
整个训练过程可以在一台 RTX3090/4090 上完成！
1.准备一个数据集（AVC / API），该数据集由数据集整理的第二步和第三步预处理。
你需要在执行以下命令之前准备好三个文件夹：
--> uncropped_hr：未裁剪的高清原图（GT）
--> degrade_hr_dataset_path：裁剪过的高清原图（GT）
--> train_hr_dataset_path：裁剪过的伪高清（Pseudo-GT）
2.训练：请仔细检查 opt.py 以设置你想要的超参数（通常只需修改常改设置即可）。
注意1：执行以下操作时，我们将创建一个“tmp”文件夹来保存生成的低分辨率图像以供检查。如果你想，可以修改代码删除它。
注意2：如果你有强大的 CPU，并且想要加速，你可以在 opt.py 中增加 parallel_num。
第一步（Net L1 损失训练）：运行
python train_code/train.py
训练后的模型权重将保存在 'saved_models' 文件夹中（与checkpoint相同）
第二步（GAN 对抗性训练）：
·在 opt.py 中将 opt['architecture'] 改为 "GRLGAN" 并在需要时更改批量大小。顺便说一下，我认为对于个人训练来说，不需要为 GAN 训练 300K 迭代。我这样做是为了遵循 AnimeSR 和 VQDSR 中的相同设置，但 100K ~ 130K 应该可以获得不错的视觉效果。
·根据之前的工作，GAN 应该从 L1 损失预训练网络开始，所以请带上一个预训练的路径（下面的默认路径应该就可以）。
python train_code/train.py --pretrained_path saved_models/grl_best_generator.pth
