GFPGAN: алгоритм восстановления лица с открытым исходным кодом от Tencent

Общее введение

GFPGAN (Generative Facial Prior GAN) - это алгоритм восстановления лица с открытым исходным кодом, разработанный Tencent ARC (Applied Research Center). Алгоритм использует богатые и разнообразные предварительные факторы, заключенные в предварительно обученных ГАН лица (например, StyleGAN2), для слепого восстановления лица. GFPGAN может эффективно восстанавливать низкокачественные, старые или сгенерированные искусственным интеллектом изображения лица, решая проблемы потери деталей и размытия текстуры, которые существуют в традиционных методах, и достигая высококачественного восстановления и генерации изображений лица.

Список функций

• Слепое восстановление лица: не требуется никаких априорных предположений о входном изображении, что позволяет осуществлять истинное слепое восстановление.
• Высококачественная генерация изображений: используя предварительные знания предварительно обученного GAN для работы с лицами, генерируемые результаты получаются более естественными и хорошо идентифицируются.
• Обработка низкокачественных изображений: входные изображения очень низкого качества могут быть обработаны для улучшения качества изображения.
• Проект с открытым исходным кодом: Предоставление исходного кода для облегчения вторичного развития и исследований разработчиков.

Использование помощи

1. Процесс установки::
   • Клонирование кода проекта GFPGAN:

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

      

   • Перейдите в каталог проекта и установите зависимости:

     cd GFPGAN
     pip install -r requirements.txt
     

      

   • Загрузите предварительно обученную модель:

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

      

2. Использование::
   • Выполните следующую команду для восстановления лица:

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

      

   • Описание параметра:
     • --input: Введите путь к изображению.
     • --output: Путь к выходному изображению.
     • --model_path: Пути предварительной тренировки модели.
3. Подробная процедура работы::
   • Предварительная обработка изображений: Входное изображение можно обрезать и изменить его размер, чтобы обеспечить оптимальное восстановление перед началом работы.
   • Выбор модели: Выбирая различные предварительно обученные модели в соответствии с конкретными потребностями, GFPGAN предоставляет множество моделей для адаптации к различным сценариям применения.
   • Оптимизация результатов: Результат можно дополнительно оптимизировать после фиксации, например, отрегулировать яркость, контрастность и т. д. для лучшего визуального эффекта.
4. общие проблемы::
   • Неудовлетворительные результаты реставрации: Попробуйте использовать другие предварительно обученные модели или предварительно обработать входные изображения.
   • медленно движущийся: Убедитесь, что используется ускорение GPU, и оптимизируйте производительность кода.

Работа в режиме онлайн

GFPGAN google colab run