1、活动目标
本次实验旨在通过使用PAI-DSW和Stable Diffusion WebUI，对一组旧照片进行修复和增强，以提升其清晰度、颜色和纹理。通过这一过程，我们期望能更好地理解和运用PAI-DSW和Stable Diffusion WebUI的强大功能，为图像修复领域提供新的可能性。
2、实验过程
通过PAI-DSW快速搭建实验环境。然后利用大模型进行图像的修复工作。它运用深度卷积神经网络（DCNN）和生成对抗网络（GAN）等技术，能自动识别并修复图像中的破损和缺失部分，使修复后的图像看起来更为真实、清晰。大致的过程是先进行图像去噪、图像超分、面部增强、图像上色、划痕清理等方法。最后再利用Stable Diffusion WebUI进行精确的图像修复。
2.1、实验步骤
2.1.1、环境准备
首先，我们需要安装实验所需要的依赖资源。
2.2.2、准备数据
然后我们通过OSS提供的方法，下载对应的图片资源。
2.2.3、图像推理
该过程由多个过程组成，其中包含图像去噪、图像超分、面部增强、图像上色、划痕清理等。
图像去噪：
下载Restormer代码及预训练文件
运行推理任务
下载NAFNet代码及预训练文件 (基于modelscope)
运行推理任务
图像超分：
下载RealESRGAN代码及预训练文件
运行推理任务
下载SwinIR代码及预训练文件
运行推理任务
下载HAT代码及预训练文件
运行推理任务，这个过程用时比较长，需要耐心等待。
面部增强：
下载CodeFormer代码及预训练文件
运行推理任务
图像上色：
无条件上色
下载代码及预训练文件，并安装modelscope 环境
运行推理任务
有条件上色
这次我们选择的是70.jpg这种图片。然后进行标点及上色操作。
然后我们可以开始对指定区域进行上色
划痕清理：
下载LaMa-inpaint代码及预训练文件，并安装modelscope环境，然后再启动UI服务。
2.2.4、使用Stable Diffusion WebUI进行修复
将训练好的模型导入Stable Diffusion WebUI中，然后根据破损照片的不同情况，选择合适的算法和参数进行修复。在此过程中，我们不断调整参数，并实时预览修复效果，以获得最佳结果。
2.2、实验结果及一些错误截图
通过实验，我们成功地使用PAI-DSW和Stable Diffusion WebUI对一组旧照片进行了修复和增强。修复后的照片在清晰度、颜色和纹理方面都有了显著的提升。具体来说：
（1）清晰度：修复后的照片在细节部分的表现上更为出色。例如，原先模糊不清的边缘变得清晰可见，细小的纹理也得到了很好的保留。
（2）颜色：对于褪色、变色等问题，修复后的照片在颜色复原方面有了很大的改善。整体色彩更为自然、真实。
（3）纹理：对于照片的破损纹理，如划痕、污渍等，PAI-DSW算法在很大程度上进行了修复和弥补。使整体视觉感受更为和谐。
然而，实验过程中我们也发现了一些不足之处。比如在处理一些严重破损的照片时，PAI-DSW算法的修复效果可能并不理想，存在一定的局限性。比如照片上色的区域存在明显的错误。
以下是实验过程中碰到的错误界面截图。
2.3、心得体会
通过本次实验，我们深刻体会到PAI-DSW和Stable Diffusion WebUI在图像修复领域的强大潜力。对于旧照片的修复工作，它们无疑提供了高效、精确的方法。
3、小结
本次实验让我们收获颇丰，对PAI-DSW和Stable Diffusion WebUI在图像修复领域的应用有了更深入的了解。这将为我们今后的研究和工作提供有益的参考。
