GFPGAN
v1.3.8 Release Note
Gracias por su interés en nuestro trabajo. ¿También puede consultar nuestras nuevas actualizaciones sobre los modelos pequeños para imágenes y videos de anime en Real-Sesrgan ?
GFPGAN tiene como objetivo desarrollar un algoritmo práctico para la restauración de la cara del mundo real .
Aprovecha los antecedentes ricos y diversos encapsulados en un GaN de la cara previamente prenado (p. Ej ., Stylegan2) para la restauración de la cara ciega.
❓ Las preguntas frecuentes se pueden encontrar en las preguntas frecuentes en las preguntas frecuentes.
Actualizaciones
Si GFPGAN es útil en sus fotos/proyectos, ayude a este repositorio o lo recomiende a sus amigos. ¿Gracias? Otros proyectos recomendados:
[Documento] [Página del proyecto] [demostración]
Xintao Wang, Yu Li, Honglun Zhang, Ying Shan
Centro de investigación aplicada (ARC), Tencent PCG
Ahora proporcionamos una versión limpia de GFPGan, que no requiere extensiones CUDA personalizadas.
Si desea utilizar el modelo original en nuestro artículo, consulte Papermodel.md para su instalación.
Repositorio
git clone https://github.com/TencentARC/GFPGAN.git
cd GFPGANInstalar paquetes dependientes
# Install basicsr - https://github.com/xinntao/BasicSR
# We use BasicSR for both training and inference
pip install basicsr
# Install facexlib - https://github.com/xinntao/facexlib
# We use face detection and face restoration helper in the facexlib package
pip install facexlib
pip install -r requirements.txt
python setup.py develop
# If you want to enhance the background (non-face) regions with Real-ESRGAN,
# you also need to install the realesrgan package
pip install realesrganTomamos la versión V1.3 para un ejemplo. Se pueden encontrar más modelos aquí.
Descargue modelos previamente capacitados: GFPGANV1.3.PTH
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth -P experiments/pretrained_models¡Inferencia!
python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2 Usage: python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2 [options]...
-h show this help
-i input Input image or folder. Default: inputs/whole_imgs
-o output Output folder. Default: results
-v version GFPGAN model version. Option: 1 | 1.2 | 1.3. Default: 1.3
-s upscale The final upsampling scale of the image. Default: 2
-bg_upsampler background upsampler. Default: realesrgan
-bg_tile Tile size for background sampler, 0 for no tile during testing. Default: 400
-suffix Suffix of the restored faces
-only_center_face Only restore the center face
-aligned Input are aligned faces
-ext Image extension. Options: auto | jpg | png, auto means using the same extension as inputs. Default: autoSi desea utilizar el modelo original en nuestro artículo, consulte Papermodel.md para la instalación y la inferencia.
| Versión | Nombre del modelo | Descripción |
|---|---|---|
| V1.3 | Gfpganv1.3.pth | Basado en v1.2; más resultados de restauración natural ; Mejores resultados en entradas de muy baja calidad / alta calidad. |
| V1.2 | Gfpgancleanv1-noce-c2.pth | Sin colorización; No se requieren extensiones CUDA. Entrenado con más datos con preprocesamiento. |
| V1 | Gfpganv1.pth | El modelo de papel, con colorización. |
Las comparaciones están en comparaciones.
Tenga en cuenta que V1.3 no siempre es mejor que V1.2. Es posible que deba seleccionar diferentes modelos basados en su propósito e entradas.
| Versión | Fortalezas | Debilidades |
|---|---|---|
| V1.3 | ✓ Salidas naturales ✓ Resultados de más bien en entradas de muy baja calidad ✓ Trabajar en entradas de calidad relativamente alta ✓ puede tener restauraciones repetidas (dos veces) | ✗ No muy agudo ✗ Tener un ligero cambio en la identidad |
| V1.2 | ✓ Salida más nítida ✓ Con maquillaje de belleza | ✗ Algunas salidas no son naturales |
Puede encontrar más modelos (como los discriminadores) aquí: [Google Drive] o [Tencent Cloud 腾讯微云]
Proporcionamos los códigos de capacitación para GFPGAN (utilizado en nuestro artículo).
Podrías mejorarlo de acuerdo con tus propias necesidades.
Consejos
Procedimientos
(Puede probar una versión simple ( options/train_gfpgan_v1_simple.yml ) que no requiere puntos de referencia de componentes faciales).
Preparación del conjunto de datos: FFHQ
Descargue modelos previamente capacitados y otros datos. Póngalos en la carpeta experiments/pretrained_models .
Modifique las options/train_gfpgan_v1.yml en consecuencia.
Capacitación
python -m torch.distributed.launch --nproc_per_node = 4 --master_port = 22021 gfpgan/trenes.py -opt options/trin_gfpgan_v1.yml - -Launcher pytorch
GFPGAN se lanza bajo la Licencia Apache Versión 2.0.
@InProceedings{wang2021gfpgan,
author = {Xintao Wang and Yu Li and Honglun Zhang and Ying Shan},
title = {Towards Real-World Blind Face Restoration with Generative Facial Prior},
booktitle={The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year = {2021}
}
Si tiene alguna pregunta, envíe un correo electrónico [email protected] o [email protected] .
