csxmli2016

> './Face/FFHQ-e4e-w-plus' './Face/StyleGAN2-Generation_w_plus_hasbg' > > dear author, very good job, can you release the data? You can refer to https://github.com/csxmli2016/w-plus-adapter/blob/4da5c28f47feccb68cca80983cd774e72fcee699/script/ProcessWildImage.py#L203 to generate w plus for FFHQ or StyleGAN2-Generated images.

> Thank you for your reply. I would like to ask what this noise file refers to. Why is it called noise? > >  It refers to the w...

> is it possible retrain the model with [dat](https://github.com/zhengchen1999/DAT) architecture ? It could give better results than bsrgan Thanks for such a good suggestion! I have collected nearly 50k real-world...

> no problem , is there any documentation for retraining textbsr model ? @csxmli2016 The network is ESRGAN. You can refer to the training from [BSRGAN](https://github.com/cszn/BSRGAN). And then replace the...

> 作者您好，先前的工作都是基于单行文本图像进行超分的，我想知道现在是如何做到整图文本图像进行超分的呢？思路是怎样的？感谢回复 对于整图文本超分，你可以把该任务当作自然图像超分，只不过数据集是随机裁剪的文字片段。用这些数据进行训练。好处是不用依赖文字检测和识别，坏处是当文字退化比较严重时，容易改变文字结构。

> 作者您好，先前的工作都是基于单行文本图像进行超分的，我想知道现在是如何做到整图文本图像进行超分的呢？思路是怎样的？感谢回复 另外一种整图超分的策略是，先对文字进行单行检测，然后复原，然后再贴回到原图。

> 感谢作者的及时回复，正在参观您的仓库就收到了您的回复，再次感谢！ 我是一名专业型硕士研究生，我想以中文整图文本超分作为论文方向。我的思路和您提到的第二种方式一样，先使用文字检测模型例如DBNet，根据输出坐标进行图片的裁剪，再将每一部分送入超分模型，最后再拼接到原图。 您觉得这样的方向可行吗？感谢指导！ 这个代码仓库也是这么实现的。先检测单行文字，然后裁剪，复原，再贴回去。整个流程跟你说的一样。你可以参考一下。不过这个这种方式整体算是工程性的了。

> > > 感谢作者的及时回复，正在参观您的仓库就收到了您的回复，再次感谢！ 我是一名专业型硕士研究生，我想以中文整图文本超分作为论文方向。我的思路和您提到的第二种方式一样，先使用文字检测模型例如DBNet，根据输出坐标进行图片的裁剪，再将每一部分送入超分模型，最后再拼接到原图。 您觉得这样的方向可行吗？感谢指导！ > > > > > > 这个代码仓库也是这么实现的。先检测单行文字，然后裁剪，复原，再贴回去。整个流程跟你说的一样。你可以参考一下。不过这个这种方式整体算是工程性的了。 > > 请问如何确保非文字区域在整体超分图中自然融合？由于超分是对裁剪块进行处理，最终拼接回原图时，如何让未裁剪区域与超分块保持风格一致、过渡自然？感谢回复！！ 未裁剪区域可以使用其他方法像是BSRGAN或者Real-ESRGAN的方式进行超分。关于裁剪文字区域边缘部分，可以看一下我们的代码，里面有一部分是对文字区域的二值mask进行了高斯模糊处理，能够较好的将复原后文字区域融合到背景图中，不至于边缘过于明显

> Can the dataset of this model be published? If not, can you tell me how to build the dataset, including the MARCONet you mentioned in the Readme? Hi, the...

> Thanks for replying so quickly!!! Feel free to open issues. Let's make this task better