GFPGAN: algoritmo de reparación facial de código abierto de Tencent

Introducción general

GFPGAN (Generative Facial Prior GAN) es un algoritmo de reparación facial de código abierto desarrollado por Tencent ARC (Applied Research Center). GFPGAN puede reparar eficazmente imágenes faciales de baja calidad, antiguas o generadas por IA, resolviendo los problemas de pérdida de detalle y desenfoque de textura que existen en los métodos tradicionales, y logrando una reparación y generación de imágenes faciales de alta calidad.

Lista de funciones

• Reparación ciega de rostros: no se requieren suposiciones a priori sobre la imagen de entrada, lo que permite una verdadera reparación ciega.
• Generación de imágenes de alta calidad: al utilizar el conocimiento previo del GAN de caras preentrenado, los resultados generados son más naturales con una buena coherencia de identidad.
• Procesado de imágenes de baja calidad: las imágenes de entrada de muy baja calidad pueden procesarse para mejorar la calidad de la imagen.
• Proyecto de código abierto: Proporcionar el código fuente para facilitar el desarrollo secundario y la investigación por parte de los desarrolladores.

Utilizar la ayuda

1. Proceso de instalación::
   • Clonación del código del proyecto GFPGAN:

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

      

   • Vaya al directorio del proyecto e instale las dependencias:

     cd GFPGAN
     pip install -r requirements.txt
     

      

   • Descargue el modelo preentrenado:

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

      

2. Utilización::
   • Ejecute el siguiente comando para reparar la cara:

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

      

   • Descripción de los parámetros:
     • --inputIntroduzca la ruta de la imagen.
     • --outputRuta de la imagen de salida.
     • --model_path: Trayectorias del modelo de preentrenamiento.
3. Procedimiento de funcionamiento detallado::
   • Preprocesamiento de imágenesLa imagen de entrada puede recortarse y redimensionarse para garantizar una restauración óptima antes de proceder.
   • Selección de modelos: Al elegir diferentes modelos preentrenados según las necesidades específicas, GFPGAN proporciona una variedad de modelos para adaptarse a diferentes escenarios de aplicación.
   • Optimización de los resultadosEl resultado puede optimizarse aún más después de la fijación, por ejemplo, ajustando el brillo, el contraste, etc. para obtener un mejor efecto visual.
4. problemas comunes::
   • Resultados insatisfactorios de la restauraciónPrueba a utilizar diferentes modelos preentrenados o a preprocesar las imágenes de entrada.
   • lento: Asegúrese de que se utiliza la aceleración de la GPU y optimice el rendimiento del código.

Funcionamiento en línea

GFPGAN google colab run