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
- 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
- Klonen des GFPGAN-Projektcodes:
- 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_path
Pre-training model paths.
- Führen Sie den folgenden Befehl für die Gesichtsreparatur aus:
- 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.
- 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