DeOldify 老照片上色：模型选择、参数调优与批量修复
文章目录
- DeOldify 老照片上色：模型选择、参数调优与批量修复
- 一、DeOldify 原理
- 二、模型选择
- 三、安装与环境
- 四、单张上色
- 4.1 基础用法
- 4.2 render_factor 调优
- 4.3 前后对比显示
- 五、批量处理
- 六、常见问题
- 七、视频上色
- 八、完整工作流
- 九、总结
- 代码链接与详细流程
购买即可解锁1000+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，每日更新
DeOldify 老照片上色：模型选择、参数调优与批量修复
一、DeOldify 原理
DeOldify 基于 GAN（生成对抗网络）：生成器使用 U-Net 风格的 ResNet 编码器-解码器，输入灰度图预测 ab 色彩通道；判别器使用 PatchGAN，判断生成的彩色图在局部区域是否真实。
训练采用 NoGAN 策略——先单独用 L1 Loss 训练生成器若干轮，冻结生成器后单独训练判别器，再交替训练 GAN 极少轮次（每轮 1-3 次迭代）。NoGAN 避免了传统 GAN 训练的不稳定性，同时显著缩短了训练时间。
二、模型选择
DeOldify 提供两个预训练变体：
| 模型 | artistic | 骨干网络 | 适用场景 | 缺点 |
|---|---|---|---|---|
| 艺术模型 | True | ResNet101 | 风景、建筑、历史照片 |