该项目的目标是使用U-Net模型，创建一个图像分割工具，用于从输入的三维场景图像中提取形状、背景和4种不同的色调值。该项目旨在解决动画领域中的自动抠像问题，通过将3D视觉内容转化为2D表现形式。

以下是一个示例输出：

示例图像 示例图像

为了训练模型，这里使用Cinema4D的多通道渲染器创建了一个定制的数据集，包含已分割的图像。

如果想要自己测试，可以将待测试的图像放到./data/test_images目录中。

文件结构

• ./UnprocessedImages：包含所有从Cinema4D多通道渲染器导出的原始图像。
• ./ProcessedImages：包含所有经过pixel_processing.py处理后的编辑图像。
• ./data：包含测试用的图像和部分训练图像。
• ./Eaxmples：包含几个输入和输出的gif示例。
• ./weights：包含训练生成的权重。
• compression.py：包含帮助裁剪和调整大小的函数。
• unet.py：包含U-Net模型以及训练循环和预测功能,并将结果转换成gif图片。
• segmentation_dataset.py：包含用于训练和加载图像的类。
• pixel_processing.py：包含所有的预处理函数，可以应用于从Cinema4D输出的多通道图层。
• compression.py：包含帮助裁剪和调整大小的函数。
• util.py：包含其他实用功能，如文件组织以及将帧重新拼接成GIF。

依赖库

• pytorch
• torchvision
• pillow
• numpy
• matplotlib

运行方式

在组织好文件后，运行unet.py文件。

如果需要重新训练，选择“y”。由于我没有上传数据集到国科大系统，所以这一步暂时无法实现，可以在我的github上下载包含数据集的完整项目。

如果需要直接使用已经训练好的模型进行测试，选择“n”，并选择你希望加载的训练模型的epoch（推荐输入40，输入范围0~49）。接下来，程序会自动加载模型并使用./data/test_images文件夹中的图像进行处理。模型推理后的输出将保存在./data/test_results文件夹中，合成的gif图片将直接保存在./data/output_result.gif。如果你想试试其他输入图像，可以在./data/images中选择一个文件夹中的全部图片放入./data/test_images中再次测试，之前./data/test_results中生成的结果将自动删除，无需自己操作。

如果只想看看模型效果，请查看Examples文件夹中的几个示例