Javplayer 3.00画质有多大提升？

Zsural · 发表于 2024-10-8 22:48:10

yyy1985 发表于 2024-10-8 22:44
请问怎么取消马赛克检测？设置里好像没看到相关选项

点击左下角那个圆形的马赛克按钮，黑色为关闭，白色为开启，右键单击是显示马赛克的大小数量信息

Blacktwang · 发表于 2024-10-8 22:50:03

好像又有更新版本準備出了想等穩定點在考慮更新

yyy1985 · 发表于 2024-10-8 23:13:40

Zsural 发表于 2024-10-8 22:48
点击左下角那个圆形的马赛克按钮，黑色为关闭，白色为开启，右键单击是显示马赛克的大小数量信息 ...

好像是这里，黑白我都试了，但还是得检测马赛克，左上角显示“investigating mosaic”

asa · 发表于 2024-10-9 00:06:13

好 TG8X_AF1b_253K 这个模型的参数量大概是 800万级高级显卡的瓶颈是保存png时的io 最后的三个Conv 就是超分辨率操作的层了我把模型的源码简单复现了但是单个工具使用图片生成的效果不如3.0的融合那个工具单用丢失了不少高频信息 A B在一起是怎么特征融合的如果是训练打算用注意力机制了。那个模型作者也是抄的TecoGAN-PyTorch 原版是4倍一层conv 2x 两层 4x 8x那就是三层复现的时候发现少两层然后看调试发现分支没走进加第二层的那么少的两层就在这了但是作者加了一个8x 就是有三层

TecoGAN8X_AF1b_253k@7t layers
==========================================================================================
Layer (type:depth-idx) Output Shape Param #
==========================================================================================
FRNet [1, 128, 128, 3] --
├─FNet: 1-1 [1, 2, 16, 16] --
│ └─Sequential: 2-1 [1, 32, 8, 8] --
│ │ └─Conv2d: 3-1 [1, 32, 16, 16] 1,760
│ │ └─LeakyReLU: 3-2 [1, 32, 16, 16] --
│ │ └─Conv2d: 3-3 [1, 32, 16, 16] 9,248
│ │ └─LeakyReLU: 3-4 [1, 32, 16, 16] --
│ │ └─MaxPool2d: 3-5 [1, 32, 8, 8] --
│ └─Sequential: 2-2 [1, 64, 4, 4] --
│ │ └─Conv2d: 3-6 [1, 64, 8, 8] 18,496
│ │ └─LeakyReLU: 3-7 [1, 64, 8, 8] --
│ │ └─Conv2d: 3-8 [1, 64, 8, 8] 36,928
│ │ └─LeakyReLU: 3-9 [1, 64, 8, 8] --
│ │ └─MaxPool2d: 3-10 [1, 64, 4, 4] --
│ └─Sequential: 2-3 [1, 128, 2, 2] --
│ │ └─Conv2d: 3-11 [1, 128, 4, 4] 73,856
│ │ └─LeakyReLU: 3-12 [1, 128, 4, 4] --
│ │ └─Conv2d: 3-13 [1, 128, 4, 4] 147,584
│ │ └─LeakyReLU: 3-14 [1, 128, 4, 4] --
│ │ └─MaxPool2d: 3-15 [1, 128, 2, 2] --
│ └─Sequential: 2-4 [1, 256, 2, 2] --
│ │ └─Conv2d: 3-16 [1, 256, 2, 2] 295,168
│ │ └─LeakyReLU: 3-17 [1, 256, 2, 2] --
│ │ └─Conv2d: 3-18 [1, 256, 2, 2] 590,080
│ │ └─LeakyReLU: 3-19 [1, 256, 2, 2] --
│ └─Sequential: 2-5 [1, 128, 4, 4] --
│ │ └─Conv2d: 3-20 [1, 128, 4, 4] 295,040
│ │ └─LeakyReLU: 3-21 [1, 128, 4, 4] --
│ │ └─Conv2d: 3-22 [1, 128, 4, 4] 147,584
│ │ └─LeakyReLU: 3-23 [1, 128, 4, 4] --
│ └─Sequential: 2-6 [1, 64, 8, 8] --
│ │ └─Conv2d: 3-24 [1, 64, 8, 8] 73,792
│ │ └─LeakyReLU: 3-25 [1, 64, 8, 8] --
│ │ └─Conv2d: 3-26 [1, 64, 8, 8] 36,928
│ │ └─LeakyReLU: 3-27 [1, 64, 8, 8] --
│ └─Sequential: 2-7 [1, 2, 16, 16] --
│ │ └─Conv2d: 3-28 [1, 32, 16, 16] 18,464
│ │ └─LeakyReLU: 3-29 [1, 32, 16, 16] --
│ │ └─Conv2d: 3-30 [1, 2, 16, 16] 578
├─SRNet: 1-2 -- (recursive)
│ └─BicubicUpsampler: 2-8 [1, 2, 128, 128] --
├─SRNet: 1-3 [1, 3, 128, 128] --
│ └─Sequential: 2-9 [1, 128, 16, 16] --
│ │ └─Conv2d: 3-31 [1, 128, 16, 16] 224,768
│ │ └─ReLU: 3-32 [1, 128, 16, 16] --
│ └─Sequential: 2-10 [1, 128, 16, 16] --
│ │ └─ResidualBlock: 3-33 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-34 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-35 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-36 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-37 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-38 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-39 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-40 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-41 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-42 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-43 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-44 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-45 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-46 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-47 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-48 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-49 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-50 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-51 [1, 128, 16, 16] 295,168
│ │ └─ResidualBlock: 3-52 [1, 128, 16, 16] 295,168
│ └─Sequential: 2-11 [1, 128, 128, 128] --
│ │ └─ConvTranspose2d: 3-53 [1, 128, 32, 32] 147,584
│ │ └─ReLU: 3-54 [1, 128, 32, 32] --
│ │ └─ConvTranspose2d: 3-55 [1, 128, 64, 64] 147,584
│ │ └─ReLU: 3-56 [1, 128, 64, 64] --
│ │ └─ConvTranspose2d: 3-57 [1, 128, 128, 128] 147,584
│ │ └─ReLU: 3-58 [1, 128, 128, 128] --
│ └─Conv2d: 2-12 [1, 3, 128, 128] 3,459
│ └─BicubicUpsampler: 2-13 [1, 3, 128, 128] --
==========================================================================================
Total params: 8,319,845
Trainable params: 8,319,845
Non-trainable params: 0
Total mult-adds (Units.GIGABYTES): 4.83
==========================================================================================
Input size (MB): 0.00
Forward/backward pass size (MB): 33.57
Params size (MB): 33.28
Estimated Total Size (MB): 66.86
==========================================================================================

复制代码

asa · 发表于 2024-10-9 00:56:55

好 onnx我已经导出了，这样可以做更简单的自制处理模块了。另外TecoGAN8X_AF1b_253k@7t 模型网络架构图已经导出了

Zsural · 发表于 2024-10-9 08:44:08

yyy1985 发表于 2024-10-8 23:13
好像是这里，黑白我都试了，但还是得检测马赛克，左上角显示“investigating mosaic”
...

是的，这个按钮只是一个预览功能，不选BATCH就不会进行超分了，但软件还是会对马赛克进行预处理

Zsural · 发表于 2024-10-9 08:46:32

asa 发表于 2024-10-9 00:56
好 onnx我已经导出了，这样可以做更简单的自制处理模块了。另外TecoGAN8X_AF1b_253k@7t 模型网络架构图已经 ...

Nice!可以讲讲具体的转换和导出思路吗，或者分享一下导出的模型（只含权重参数？）和模型算法架构

ccbbll · 发表于 2024-10-9 09:59:28

Zsural 发表于 2024-10-8 22:44
在作者研发3.00时我最感兴趣的时BVPP8X模型，因为这个模型从算法上使用了双向特征传播和特征对齐，从效果 ...

我也感觉两个8x的batch融合之后效果是不错的，作者现在又加了个1xdf预处理模型，我在用1xdf+tg8xa STD（无论闪马还是正常码）的测试下感觉会以少许模糊为代价换来更稳定的结果，本来想着用SRA再提升一下清晰度，顺便解决一下边缘融合的问题，但感觉无论是3xSR还是Span，提升效果都不大，反而会加重扭曲的效果，现在只能寄希望于作者会加入tvai的batch文件，我也邮件过他关于tvai的事情，并问他tvai能不能加入调用多个模型多次超分，这样就可以用thm-2（减少扭曲感+边缘融合）+任意2x或者4x模型处理，他回了个3.0版本出来后会再做tvai的batch。

heng155 · 发表于 2024-10-9 11:45:00

ccbbll 发表于 2024-10-9 09:59
我也感觉两个8x的batch融合之后效果是不错的，作者现在又加了个1xdf预处理模型，我在用1xdf+tg8xa STD（ ...

高手，本来听说要加入ai（类似sd）的方式，所以很期待
现在是确定不加入了吗

heng155 · 发表于 2024-10-9 12:06:48

asa 发表于 2024-10-8 21:12
我昨天刚升级，另外2.0版本的那个TecoGAN8X的源码我拿到了我看看可不可以把模型的网络参数导出来导出on ...

666，高手，这个应该很有意思

		自动登录	找回密码
密码			立即注册

Javplayer 3.00画质有多大提升？

本帖子中包含更多资源

点评

点评