** Aviso! ** A otimização pode não convergir em algumas GPUs. Nós pessoalmente enfrentamos problemas nas GPUs Tesla V100 e P40. Ao executar o código, certifique-se de obter resultados semelhantes aos do papel primeiro. Mais fácil de verificar usando o bloco de notas com pintura de texto. Tente definir o modo de precisão dupla ou desligar o cudnn.

Recuperação de Fotografias

Notebooks Jupyter com código python para recuperar fotografias:

Projeto de 2018 original:

Deep Image Prior

CVPR 2018

Dmitry Ulyanov, Andrea Vedaldi, Victor Lempitsky

[paper] [supmat] [project page]

Aqui nós fornecemos hiperparâmetros e arquiteturas, que foram usados para gerar as figuras. A maioria deles está longe de ser ideal. Não hesite em alterá-los e ver o efeito.

Expandiremos este README com uma lista de hiperparâmetros e opções em breve.

Instalação:

se você não tem GPU (placa de vídeo) em sua máquina

no linux

export CUDA_VISIBLE_DEVICES=""

no windows

set CUDA_VISIBLE_DEVICES=""

Dependências

Aqui está a lista de bibliotecas que você precisa instalar para executar o código:

• python = 3.6
• pytorch = 0.4
• numpy
• scipy
• matplotlib
• scikit-image
• jupyter

Instalando dependências usando o PIP

Para não comprometer as instalações originais do seu sistema operacional preferido, uma das opções é instalar ao nível de usuário os pacotes com o PIP

pip install --user --upgrade torch torchvision pygments jupyterlab-pygments  numpy scipy matplotlib scikit-image jupyter

Não esqueça de atualizar o a variável de ambiente PATH para que sua instalação de python ache os pacotes no diretório do usuário. Por exemplo no linux debian:

PATH="$(python3 -m site --user-base)/bin:${PATH}"

Instalando dependências usando anaconda:

Todos estes pacotes podem ser instalados através do sistema anaconda: conda (anaconda), e.g.

conda install jupyter

ou crie um env conda com todas as dependências via arquivo de ambiente

conda env create -f environment.yml

Imagem usando o Docker

Como alternativa, você pode usar uma imagem Docker que expõe um Notebook Jupyter com todas as dependências necessárias. Para construir esta imagem, certifique-se de ter o [docker] (https://www.docker.com/) e [nvidia-docker] (https://github.com/NVIDIA/nvidia-docker) instalados e, em seguida, execute

nvidia-docker build -t deep-image-prior .

Após a construção, você pode iniciar o contêiner como

nvidia-docker run --rm -it --ipc=host -p 8888:8888 deep-image-prior

você receberá uma URL por meio da qual pode se conectar ao bloco de notas Jupyter.

Google Colab

Para executá-lo usando o Google Colab, clique [aqui] (https://colab.research.google.com/github/DmitryUlyanov/deep-image-prior) e selecione o bloco de notas a ser executado. Lembre-se de descomentar a primeira célula para clonar o repositório no ambiente do colab.

Como citar o trabalho do pessoal do Deep Image Prior no Latex

@article{UlyanovVL17,
    author    = {Ulyanov, Dmitry and Vedaldi, Andrea and Lempitsky, Victor},
    title     = {Deep Image Prior},
    journal   = {arXiv:1711.10925},
    year      = {2017}
}