import os, sys
import importlib
import argparse

import numpy as np
import torch
import matplotlib.pyplot as plt

from PIL import Image

sys.path.append("./rome/")

from rome.src.utils import args as args_utils
from rome.src.utils.processing import process_black_shape, tensor2image

# loading models ---- create model repo
from huggingface_hub import hf_hub_url

default_modnet_path = hf_hub_url('Pie31415/rome','modnet_photographic_portrait_matting.ckpt')
default_model_path = hf_hub_url('Pie31415/rome','models/rome.pth')

# parser configurations
parser = argparse.ArgumentParser(conflict_handler='resolve')
parser.add_argument('--save_dir', default='.', type=str)
parser.add_argument('--save_render', default='True', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--model_checkpoint', default=default_model_path, type=str)
parser.add_argument('--modnet_path', default=default_modnet_path, type=str)
parser.add_argument('--random_seed', default=0, type=int)
parser.add_argument('--debug', action='store_true')
parser.add_argument('--verbose', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--model_image_size', default=256, type=int)
parser.add_argument('--align_source', default='True', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--align_target', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--align_scale', default=1.25, type=float)

parser.add_argument('--use_mesh_deformations', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--subdivide_mesh', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--renderer_sigma', default=1e-8, type=float)
parser.add_argument('--renderer_zfar', default=100.0, type=float)
parser.add_argument('--renderer_type', default='soft_mesh')
parser.add_argument('--renderer_texture_type', default='texture_uv')
parser.add_argument('--renderer_normalized_alphas', default='False', type=args_utils.str2bool,
                    choices=[True, False])

parser.add_argument('--deca_path', default='')
parser.add_argument('--rome_data_dir', default='')


parser.add_argument('--autoenc_cat_alphas', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--autoenc_align_inputs', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--autoenc_use_warp', default='False', type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--autoenc_num_channels', default=64, type=int)
parser.add_argument('--autoenc_max_channels', default=512, type=int)
parser.add_argument('--autoenc_num_groups', default=4, type=int)
parser.add_argument('--autoenc_num_bottleneck_groups', default=0, type=int)
parser.add_argument('--autoenc_num_blocks', default=2, type=int)
parser.add_argument('--autoenc_num_layers', default=4, type=int)
parser.add_argument('--autoenc_block_type', default='bottleneck')

parser.add_argument('--neural_texture_channels', default=8, type=int)
parser.add_argument('--num_harmonic_encoding_funcs', default=6, type=int)

parser.add_argument('--unet_num_channels', default=64, type=int)
parser.add_argument('--unet_max_channels', default=512, type=int)
parser.add_argument('--unet_num_groups', default=4, type=int)
parser.add_argument('--unet_num_blocks', default=1, type=int)
parser.add_argument('--unet_num_layers', default=2, type=int)
parser.add_argument('--unet_block_type', default='conv')
parser.add_argument('--unet_skip_connection_type', default='cat')
parser.add_argument('--unet_use_normals_cond', default=True, action='store_true')
parser.add_argument('--unet_use_vertex_cond', action='store_true')
parser.add_argument('--unet_use_uvs_cond', action='store_true')
parser.add_argument('--unet_pred_mask', action='store_true')
parser.add_argument('--use_separate_seg_unet', default='True', type=args_utils.str2bool, choices=[True, False])

parser.add_argument('--norm_layer_type', default='gn', type=str, choices=['bn', 'sync_bn', 'in', 'gn'])
parser.add_argument('--activation_type', default='relu', type=str, choices=['relu', 'lrelu'])
parser.add_argument('--conv_layer_type', default='ws_conv', type=str, choices=['conv', 'ws_conv'])

parser.add_argument('--deform_norm_layer_type', default='gn', type=str, choices=['bn', 'sync_bn', 'in', 'gn'])
parser.add_argument('--deform_activation_type', default='relu', type=str, choices=['relu', 'lrelu'])
parser.add_argument('--deform_conv_layer_type', default='ws_conv', type=str, choices=['conv', 'ws_conv'])
parser.add_argument('--unet_seg_weight', default=0.0, type=float)
parser.add_argument('--unet_seg_type', default='bce_with_logits', type=str, choices=['bce_with_logits', 'dice'])
parser.add_argument('--deform_face_tightness', default=0.0, type=float)

parser.add_argument('--use_whole_segmentation', action='store_true')
parser.add_argument('--mask_hair_for_neck', action='store_true')
parser.add_argument('--use_hair_from_avatar', action='store_true')

# Basis deformations
parser.add_argument('--use_scalp_deforms', default='True', type=args_utils.str2bool,
                    choices=[True, False], help='')
parser.add_argument('--use_neck_deforms', default='True', type=args_utils.str2bool,
                    choices=[True, False], help='')
parser.add_argument('--use_basis_deformer', default='False', type=args_utils.str2bool,
                    choices=[True, False], help='')
parser.add_argument('--use_unet_deformer', default='True', type=args_utils.str2bool,
                    choices=[True, False], help='')

parser.add_argument('--pretrained_encoder_basis_path', default='')
parser.add_argument('--pretrained_vertex_basis_path', default='')
parser.add_argument('--num_basis', default=50, type=int)
parser.add_argument('--basis_init', default='pca', type=str, choices=['random', 'pca'])
parser.add_argument('--num_vertex', default=5023, type=int)
parser.add_argument('--train_basis', default=True, type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--path_to_deca', default='DECA')

parser.add_argument('--path_to_linear_hair_model',
                    default='data/linear_hair.pth')
parser.add_argument('--path_to_mobile_model',
                    default='data/disp_model.pth')
parser.add_argument('--n_scalp', default=60, type=int)

parser.add_argument('--use_distill', default=False, type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--use_mobile_version', default=False, type=args_utils.str2bool, choices=[True, False])

parser.add_argument('--deformer_path', default='data/rome.pth')

parser.add_argument('--output_unet_deformer_feats', default=32, type=int,
                    help='output features in the UNet')

parser.add_argument('--use_deca_details', default=False, type=args_utils.str2bool, choices=[True, False])
parser.add_argument('--use_flametex', default=False, type=args_utils.str2bool, choices=[True, False])

parser.add_argument('--upsample_type', default='nearest', type=str,
                    choices=['nearest', 'bilinear', 'bicubic'])

parser.add_argument('--num_frequencies', default=6, type=int, help='frequency for harmonic encoding')
parser.add_argument('--deform_face_scale_coef', default=0.0, type=float)
parser.add_argument('--device', default='cpu', type=str)
# args, _ = parser.parse_known_args()

# parser = importlib.import_module(f'src.rome').ROME.add_argparse_args(parser)
args = parser.parse_args()
args.deca_path = 'DECA'

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

from infer import Infer

infer = Infer(args)
infer = infer.to(device)

def predict(source_img, driver_img):
    out = infer.evaluate(source_img, driver_img, crop_center=False)
    res = tensor2image(torch.cat([out['source_information']['data_dict']['source_img'][0].cpu(),
                              out['source_information']['data_dict']['target_img'][0].cpu(),
                        out['render_masked'].cpu(), out['pred_target_shape_img'][0].cpu()], dim=2))
    return res[..., ::-1]


import gradio as gr

gr.Interface(
    fn=predict,
    inputs=[
        gr.Image(type="pil"),
        gr.Image(type="pil")
    ],
    outputs=gr.Image(),
    examples=[]).launch()