SUPIR 扩展至卓越：实践模型扩展以在野外恢复照片般真实的图像

一、教程简介

SUPIR (Scaling-UP lmage Restoration) 是一个突破性的图像修复和画质增强方法，其构造的模型，利用了大规模的生成模型StableDiffusion-XL(SDXL)和模型扩展技术，通过深度学习和多模态方法，实现了对低质量图像的高质量恢复。它可以将低分辨率的图像放大到高分辨率，同时保持图像的细节和真实感。SUPIR 可以处理各种复杂的退化情况，如模糊、噪声、压缩等，从而实现高质量的图像复原，将低分辨率的图像放大到高分辨率，同时保持图像的细节和真实感。

该方法还支持通过文本提示进行图像恢复的精细控制，能够根据用户的输入调整恢复的各个方面。SUPIR 由来自中国科学院深圳先进技术研究院、上海 A1 实验室、悉尼大学、香港理工大学、腾讯 ARC 实验室和香港中文大学的研究人员共同推出，相关论文成果为 Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild，已被 CVPR 2024 接受。

本教程采用资源为双卡 RTX 5090。图片大小限制为 1.5 MB

👉 该项目提供了两种种型号的模型：

• SUPIR-v0Q：默认训练设置。大多数情况下具有较高的泛化能力和较高的图像质量。

• SUPIR-v0F：使用光照质量下降设置进行训练。Stage1 编码器SUPIR-v0F在光照质量下降时仍保留更多细节。

项目示例

二、运行步骤

1.启动容器后点击 API 地址即可进入 Web 界面

若不显示「模型」，这表示模型正在初始化，由于模型较大，请等待约 5 分钟后刷新页面。

2. 进入网页后，即可与模型展开对话

使用步骤

引用信息

本项目引用信息如下：

@misc{yu2024scaling,
  title={Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild}, 
  author={Fanghua Yu and Jinjin Gu and Zheyuan Li and Jinfan Hu and Xiangtao Kong and Xintao Wang and Jingwen He and Yu Qiao and Chao Dong},
  year={2024},
  eprint={2401.13627},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}