GFPGAN : algorithme de réparation des visages open source de Tencent

Introduction générale

GFPGAN (Generative Facial Prior GAN) est un algorithme de réparation de visage open source développé par Tencent ARC (Applied Research Center). L'algorithme utilise les facteurs préalables riches et diversifiés encapsulés dans des GAN faciaux pré-entraînés (par exemple StyleGAN2) pour la réparation aveugle de visages. Le GFPGAN peut réparer efficacement des images de visages de faible qualité, anciennes ou générées par l'IA, en résolvant les problèmes de perte de détails et de flou de texture qui existent dans les méthodes traditionnelles, et en réalisant une réparation et une génération d'images de visages de haute qualité.

Liste des fonctions

• Réparation aveugle des visages : aucune hypothèse a priori sur l'image d'entrée n'est requise, ce qui permet une véritable réparation aveugle.
• Génération d'images de haute qualité : en utilisant les connaissances préalables du GAN pré-entraîné sur les visages, les résultats générés sont plus naturels et présentent une bonne cohérence d'identité.
• Traitement des images de faible qualité : les images d'entrée de très faible qualité peuvent être traitées pour améliorer la qualité de l'image.
• Projet Open Source : fournir le code source pour faciliter le développement secondaire et la recherche par les développeurs.

Utiliser l'aide

1. Processus d'installation: :
   • Clonage du code du projet GFPGAN :

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

      

   • Allez dans le répertoire du projet et installez les dépendances :

     cd GFPGAN
     pip install -r requirements.txt
     

      

   • Télécharger le modèle pré-entraîné :

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

      

2. Utilisation: :
   • Exécutez la commande suivante pour la réparation de la face :

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

      

   • Paramètre Description :
     • --input: Saisir le chemin d'accès à l'image.
     • --output: Chemin d'accès à l'image de sortie.
     • --model_path: Chemins d'accès au modèle de pré-entraînement.
3. Procédure d'utilisation détaillée: :
   • Prétraitement des imagesL'image d'entrée peut être recadrée et redimensionnée afin d'assurer la meilleure restauration possible avant de procéder.
   • Sélection du modèleGFPGAN propose une variété de modèles pour s'adapter aux différents scénarios d'application.
   • Optimisation des résultatsLe résultat peut être encore optimisé après la fixation, par exemple en ajustant la luminosité, le contraste, etc. pour un meilleur effet visuel.
4. problèmes courants: :
   • Résultats insatisfaisants de la restaurationLes modèles préformés : Essayez d'utiliser différents modèles préformés ou de prétraiter les images d'entrée.
   • lentLes fonctions d'accélération de la GPU : S'assurer que l'accélération de la GPU est utilisée et optimiser les performances du code.

Fonctionnement en ligne

GFPGAN google colab run