GFPGAN: Tencents Open-Source-Algorithmus zur Gesichtsreparatur

Allgemeine Einführung

GFPGAN (Generative Facial Prior GAN) ist ein Open-Source-Algorithmus zur Gesichtsreparatur, der von Tencent ARC (Applied Research Center) entwickelt wurde. Der Algorithmus nutzt die reichhaltigen und vielfältigen Prior-Faktoren, die in vortrainierten Gesichts-GANs (z. B. StyleGAN2) für die blinde Gesichtsreparatur gekapselt sind. GFPGAN kann minderwertige, alte oder KI-generierte Gesichtsbilder effektiv reparieren, die Probleme des Detailverlusts und der Texturverwischung lösen, die bei herkömmlichen Methoden bestehen, und eine qualitativ hochwertige Gesichtsbildreparatur und -erzeugung erreichen.

Funktionsliste

• Blinde Gesichtsreparatur: Es sind keine a priori Annahmen über das Eingabebild erforderlich, was eine echte blinde Reparatur ermöglicht.
• Qualitativ hochwertige Bilderzeugung: Durch die Verwendung des Vorwissens des vortrainierten Gesichts-GAN sind die erzeugten Ergebnisse natürlicher und weisen eine gute Identitätskonsistenz auf.
• Verarbeitung von Bildern mit geringer Qualität: Eingabebilder mit sehr geringer Qualität können verarbeitet werden, um die Bildqualität zu verbessern.
• Open-Source-Projekt: Bereitstellung von Quellcode zur Erleichterung von Sekundärentwicklung und Forschung durch Entwickler.

Hilfe verwenden

1. Einbauverfahren::
   • Klonen des GFPGAN-Projektcodes:

     git clone https://github.com/TencentARC/GFPGAN.git
     

      

   • Wechseln Sie in das Projektverzeichnis und installieren Sie die Abhängigkeiten:

     cd GFPGAN
     pip install -r requirements.txt
     

      

   • Laden Sie das vortrainierte Modell herunter:

     wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.4/GFPGANv1.3.4.pth
     

      

2. Verwendung::
   • Führen Sie den folgenden Befehl für die Gesichtsreparatur aus:

     python inference_gfpgan.py --input input_image.jpg --output output_image.jpg --model_path GFPGANv1.3.4.pth
     

      

   • Parameter Beschreibung:
     • --input: Geben Sie den Bildpfad ein.
     • --output: Pfad des Ausgabebildes.
     • --model_pathPre-training model paths.
3. Detaillierte Vorgehensweise::
   • Vorverarbeitung von BildernDas Eingangsbild kann beschnitten und in der Größe verändert werden, um eine optimale Restaurierung zu gewährleisten.
   • Auswahl des ModellsGFPGAN bietet eine Vielzahl von Modellen, die sich an unterschiedliche Anwendungsszenarien anpassen lassen, indem verschiedene vortrainierte Modelle je nach Bedarf ausgewählt werden.
   • Optimierung der ErgebnisseDas Ergebnis kann nach der Fixierung weiter optimiert werden, z. B. durch Anpassung von Helligkeit, Kontrast usw., um eine bessere optische Wirkung zu erzielen.
4. allgemeine Probleme::
   • Unbefriedigende RestaurierungsergebnisseVersuchen Sie, verschiedene vortrainierte Modelle zu verwenden oder das Eingabebild vorzubearbeiten.
   • LangsamfahrendeGPU-Beschleunigung: Sicherstellen, dass die GPU-Beschleunigung verwendet wird, und Optimieren der Codeleistung.

Online-Betrieb

GFPGAN google colab 运行