[Attention] 超级视客营 MMEditing 🥇🥈🥉

[zengyh1900]

活动介绍

大家好，第一期 OpenMMLab 超级视客营实训活动开始啦！超级视客营实训活动提供十七个方向、上百个不同难度的任务供大家选择，不管你是初涉 AI 的新手还是资深炼丹师，都有适合你的任务供你选择。助力大家上手 OpenMMLab 开源算法库并参与项目建设。本期活动联合北京超级云计算中心，提供算力支持，为大家开发保驾护航。

活动参与方式：选择你感兴趣的任务，在 OpenMMLab 官网提交报名表。完成匹配后，即可和导师对接制定任务规划，开始上手开发。根据不同任务要求在对应的地址提交代码结果，出题方初步 review 通过后即可领取下一个任务或者坐等领奖。活动详情戳：OpenMMLab 官网活动页。

任务题目	任务描述	技术标签	难易程度	积分数
1.x 中文文档翻译及改进（1）	翻译文档并提供改进意见 https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/1_overview.md https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/2_runtime.md https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/3_models.md	Python/ PTorch	⭐️⭐️⭐️	10
1.x 中文文档翻译及改进（2）	翻译文档并提供改进意见 4_eval_test.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/4_eval_test.md 5_schedule.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/5_schedule.md 6_data.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/6_data.md	Python/ PTorch	⭐️⭐️⭐️	10
1.x 中文文档翻译及改进（3）	翻译文档并提供改进意见 7_distributed_train.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/7_distributed_train.md 8_optimizers.md， https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/8_optimizers.md 9_visualization.md， https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/9_visualization.md 10_amp.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/migration/10_amp.md	Python/ PTorch	⭐️⭐️⭐️	10
1.x 中文文档翻译及改进（4）	翻译文档并提供改进意见 1_models.md， https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/advanced_guides/1_models.md 2_dataset.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/advanced_guides/2_dataset.md	Python/ PTorch	⭐️⭐️⭐️	10
1.x 中文文档翻译及改进（5）	翻译文档并提供改进意见 3_transforms.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/advanced_guides/3_transforms.md 4_losses.md，https://github.com/open-mmlab/mmediting/blob/dev-1.x/docs/en/advanced_guides/4_losses.md	Python/ PTorch	⭐️⭐️⭐️	10
添加 type hints	选择链接中任一 part 部分，给该部分代码添加 type hints，详情见：#1394	Python/ PTorch	⭐️⭐️⭐️	10
支持 Restormer 的inference	CVPR 2022 的超分任务，开源代码链接：https://github.com/swz30/Restormer	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 SwinIR 的 inference	基于 Transformer 的图像超分任务，开源代码链接：https://github.com/JingyunLiang/SwinIR	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 INR-GAN 的 inference	发表于 CVPR 2021 的图像生成任务，开源代码链接：https://github.com/universome/inr-gan	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 DeblurGANv2 inference	发表于 ICCV 2019 的去模糊任务，开源代码链接：https://github.com/VITA-Group/DeblurGANv2	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 KID metrics	为 MMEditing 添加 KID metric，同时补全单元测试以及相关文档	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 inpainting 任务场景下的交互 PyQt GUI	支持针对 Inpainting 任务的PyQt GUI，并提供用户文档	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 Style-Based Global Appearance Flow for Virtual Try-On （inference）	发表于 CVPR 2022 的虚拟试衣工作，开源代码连接：https://github.com/SenHe/Flow-Style-VTON	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 CIPS 的 inference	发表于 CVPR 2021 的图像生成任务，开源代码链接：https://github.com/saic-mdal/CIPS	Python/ PTorch	⭐️⭐️⭐️⭐️	30
支持 GAN inversion 任务场景下的交互 PyQt GUI	支持针对 GAN Inversion 任务的PyQt GUI，并提供用户文档	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80
支持 GRAM 的 inference	发表于 CVPR 2022 的 3D 生成任务，开源代码链接：https://github.com/microsoft/GRAM	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80
支持 GMPI 的 inference	发表于 ECCV 2022 的 3D 生成任务，开源代码链接：https://github.com/apple/ml-gmpi	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80
支持 GFPGAN inference	发表于 CVPR 2021 的工作，论文：https://arxiv.org/abs/2101.04061 开源代码链接：https://github.com/TencentARC/GFPGAN	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80
支持 DaGAN （inference）	发表于 CVPR 2022 的 Talking head 生成任务，开源代码连接：https://github.com/harlanhong/CVPR2022-DaGAN	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80
支持 GCFSR （inference）	发表于 CVPR 2022 的 Face SR 工作，开源代码连接：https://github.com/hejingwenhejingwen/GCFSR	Python/ PTorch	⭐️⭐️⭐️⭐️⭐️	80

活动报名地址：报名表地址
根据任务难度可以获得对应积分，兑换不同奖品。另外完成任务后在知识社区发布学习心得即可获得额外积分（记得主动找小助手领取哦）。
活动交流群：群二维码

有任何疑问欢迎大家加入群聊或者 Issue 下参与讨论，快来完成挑战，加入OpenMMLab 贡献者队伍吧～

[zengyh1900]

常见问题

Q1. 我要基于哪个分支进行开发？
A1. 请大家基于 dev-1.x 进行开发：https://github.com/open-mmlab/mmediting/tree/dev-1.x

Q2. 支持 xxx 的inference 是指需要完成哪些内容？
A2. 大家不需要重新训练模型，只需要转换官方的权重就可以。但是为了验证其正确性，是需要能够用官方权重复现出 paper 中的点数。
同时，为了缩短 PR 合入的时间，大家可以考虑拆成两个 PR，第一个 PR 只需要提供一些图片来验证正确性，第二个 PR 需要提供对应的点数。两个 PR 合入之后，就表示该开发项已经完成。如果和搭档商量后觉得一个 PR 来开发比较合适，也是可以的。

Q3. 官方代码 pytest tests 报了依赖项的错误，要怎么看缺少什么依赖？
A3. 可以在 https://github.com/open-mmlab/mmediting/tree/dev-1.x/requirements 下查看 mmediting 的依赖

Q4. Restormer 和 SwinIR 等一些多任务的模型，需要把所有任务都跑一遍才能说明性能正确吗？
A4. 是的，需要能用官方的权重把支持的任务都跑一下，进行全面的验证。