还记得这个能将老照片修复到纤毫毕现的 GFPGAN 吗？
现在，它的代码正式开源了！官方已经在 GitHub 上传了 3 个预训练模型，3 个版本的效果区别如下:
其中， 是最近更新的一版，修复效果更加自然。同时还能在低质量输入的情况下，输出高质量结果。自上线以来，GFPGAN 已经在 GitHub 上揽星 +，还曾登顶过热榜第一。
更是在推特上引起过一波试玩热潮:
这一项目由腾讯 PCG ARC 实验室提出，其相关论文已被 CVPR2023年 收录。
3 种预训练模型可挑选开源代码主要分为预训练和训练两个部分。预训练中以 GFPGAN 的 版本为例，给出了预训练模型的下载地址:
wget /TencentARC/GFPGAN/releases/download// -P Experiments/pretrained_models然后，只需一行代码就能开始预训练模型推理了:
python -i inputs/whole_imgs -o results -v -s 2具体介绍如下:
Usage: python -i inputs/whole_imgs -o results -v -s 2 [options]... -h show this help -i input Input image or folder. Default: inputs/whole_imgs -o output Output folder. Default: results -v version GFPGAN model version. Option: 1 | | . Default: -s upscale The final upsampling scale of the image. Default: 2 -bg_upsampler background upsampler. Default: realesrgan -bg_tile Tile size for background sampler, 0 for no tile during testing. Default: 400 -suffix Suffix of the restored faces -only_center_face Only restore the center face -aligned Input are aligned faces -ext Image extension. Options: auto | jpg | png, auto means using the same extension as inputs. Default: auto在这里，官方还展示了 3 种预训练模型的区别在哪里。
与初始版本相比，后两版在修复精度上有了明显提升。
的锐化更明显，同时还带有一些美颜效果，所以在一些情况下会比较假面。
明显解决了这一问题，使得输出更加自然，还能进行二次修复；不过弊端是人物面部特征有时会发生变化（比如下图中的安妮・海瑟薇示例）。
总之， 并不完全优于 ，大家可以按需选取合适的模型。
接下来到了训练部分。首先，数据集选用 FFHQ；然后，将下载好的预训练模型其他数据放在 experiments / pretrained_models 文件夹里。其他数据包括:预训练好的 StyleGAN2 模型，FFHQ 人脸对齐模型文件和 ArcFace 模型。
接下来，修改相对应的配置文件 options / 。在这里，也可以尝试不使用人脸对齐的简单版本 options / 。
最后，就可以开始训练了。
python -m —nproc_per_node=4 —master_port=22023年 gfpgan/ -opt options/ —launcher pytorch此外，官方还有两则提醒。第一，输入更多高质量的人脸图像，可以提高修复的效果。第二，训练中可能需要进行一些图像预处理，比如美颜。如果你选择训练 版本，官方还给出了微调指南:
GFPGAN 采用了 clean 架构，更加方便部署；它是从一个双线性模型转换而来，因此需要对其原有模型微调，然后再进行转换。
Demo 试玩除了开源代码，官方也早已开通了多个线上试玩通道。在这里，我们用 HuggingFace 来给大家展示具体效果。先来看看修复后的蒙娜丽莎女士，不仅面部的噪点都被去掉了，甚至连头发上的纱巾都清晰可见。
修复的爱因斯坦，笑起来时脸上的褶皱更加明显，头发丝、胡茬也都被还原了出来。
最后再来看看修复后的青年马化腾，这照片清晰地仿佛像昨天才拍出来一样。
盲脸修复 + 大量先验信息GFPGAN 能够快速、高清地修复各种人脸图像，主要是应用了盲脸修复 （blind face restoration）。传统人脸修复方法主要针对同一场景下、特定退化的人脸图像修复。
比如此前一些人脸修复方法，会把 Obama 照片还原为白人面孔。这背后除了数据集存在偏差，还可能是算法没有为每张人脸特征性建模。
盲脸修复就很好解决了这一弊端，它是指当点扩展函数未知或不确知的情况下，从低质的待修复人脸图像恢复出清晰、高质的目标人脸图像的过程。
本质上是一种非匹配性的人脸修复方法。不过此前的一些盲脸修复方法在细节上表现不好，由此作者在 GFPGAN 中引入丰富的先验信息，从而来保证高质量的输出效果。
具体来看，在 GFP-GAN 的模型框架中，主要用到了一个退化清除模块和一个预训练的 GAN 作为先验。两个模块通过隐编码映射和多个信道分割空间特征变化层（CS-SFT）连接。训练过程中，首先要对低质量人脸进行降噪等粗处理，然后保留面部信息。
在保真度方面，研究人员引入了一个面部损失（ Facial Component Loss），判断哪些细节需要提升保留，然后再用识别保留损失（Identity Preserving Loss）进行修复。
团队介绍本文论文一作是 Xintao Wang，他是腾讯 ARC 实验室 (深圳应用研究中心) 的研究员。本科毕业于浙江大学，博士毕业于香港中文大学。其博士期间师从汤晓鸥教授和 Chen Change Loy 教授。研究方向为计算机视觉和深度学习，尤其关注图像、视频修复方面。
GitHub 地址:
/TencentARC/GFPGAN
论文地址:
/abs/21
试玩地址:
/spaces/akhaliq/GFPGAN
