探索BOPBTL-scratch-detection-fp32-mlx：微软老照片修复技术的MLX实现

探索BOPBTL-scratch-detection-fp32-mlx：微软老照片修复技术的MLX实现

【免费下载链接】BOPBTL-scratch-detection-fp32-mlx项目地址: https://ai.gitcode.com/hf_mirrors/mlx-community/BOPBTL-scratch-detection-fp32-mlx

BOPBTL-scratch-detection-fp32-mlx是微软老照片修复技术"Bringing Old Photos Back to Life"中划痕/缺陷检测模块的MLX实现，能够将灰度照片输入转换为像素级损伤概率输出，为老照片修复提供强大的技术支持。

🌟 核心功能与技术亮点

该项目的核心是一个基于UNet架构的划痕检测模型，具有以下特点：

• 模型结构：UNet(in=1, out=1, depth=4, conv_num=2, wf=6, batch_norm, up_mode="upsample", antialiasing=True)
• 参数规模：37,626,177个参数，采用fp32精度（文件大小150.6 MB）
• 输入处理：短边256像素（16对齐）双三次插值 resize，灰度转换，Normalize([.5],[.5])
• 输出阈值：sigmoid(out) ≥ 0.4为上游推荐的掩码阈值

🚀 快速开始使用指南

1️⃣ 准备工作

首先克隆项目仓库：

git clone https://gitcode.com/hf_mirrors/mlx-community/BOPBTL-scratch-detection-fp32-mlx

2️⃣ 模型文件说明

项目中包含的model.safetensors文件是核心模型权重，保留了原始PyTorchstate_dict名称（NCHW卷积布局），包括BatchNorm运行统计和BlurPoolfilt缓冲区，使用者可根据框架约定进行转置处理。

🛠️ 技术细节与实现

该模型是微软原始项目的MLX转换版本，主要关注于划痕检测功能。原始项目1.90 GiB的检查点减去Adam状态后得到当前的150.6 MB模型文件，更便于部署和使用。

对于Swift开发者，可参考Swift消费者实现：xocialize/mlx-bopbtl-swift，该实现与fp32 PyTorch版本相比，最坏情况下达到119.8 dB的一致性。

📜 许可证信息

项目采用MIT许可证，包含上游LICENSE文件、所有源代码头文件和README中的License部分，明确将MIT许可证扩展到"代码和预训练模型"。需要注意的是，训练数据集从未发布，因此模型无法重新训练或审计。

💡 应用场景与价值

BOPBTL-scratch-detection-fp32-mlx模型在老照片修复领域具有重要应用价值，可用于：

• 历史照片数字化修复
• 家庭老照片翻新
• 档案图片保存与修复
• 文物照片修复处理

通过精确检测照片中的划痕和缺陷，为后续的修复工作提供准确的掩码信息，大幅提高老照片修复的效率和质量。

【免费下载链接】BOPBTL-scratch-detection-fp32-mlx项目地址: https://ai.gitcode.com/hf_mirrors/mlx-community/BOPBTL-scratch-detection-fp32-mlx