GFPGAN
v1.3.8 Release Note
Terima kasih atas minat Anda pada pekerjaan kami. Anda mungkin juga ingin memeriksa pembaruan baru kami pada model kecil untuk gambar dan video anime di Real-Esrgan ?
GFPGAN bertujuan mengembangkan algoritma praktis untuk pemulihan wajah dunia nyata .
Ini memanfaatkan prior yang kaya dan beragam yang dienkapsulasi dalam wajah pretrained gan ( misalnya , StyleGan2) untuk restorasi wajah buta.
❓ Pertanyaan yang sering diajukan dapat ditemukan di FAQ.MD.
Pembaruan
Jika GFPGAN bermanfaat dalam foto/proyek Anda, tolong bantu repo ini atau rekomendasikan kepada teman Anda. Terima kasih? Proyek yang direkomendasikan lainnya:
[Kertas] [halaman proyek] [demo]
Xintao Wang, Yu Li, Honglun Zhang, Ying Shan
Pusat Penelitian Terapan (ARC), Tencent PCG
Kami sekarang memberikan versi bersih GFPGAN, yang tidak memerlukan ekstensi CUDA yang disesuaikan.
Jika Anda ingin menggunakan model asli di kertas kami, silakan lihat papermodel.md untuk instalasi.
Klon Repo
git clone https://github.com/TencentARC/GFPGAN.git
cd GFPGANInstal Paket Dependent
# 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 realesrganKami mengambil versi v1.3 sebagai contoh. Lebih banyak model dapat ditemukan di sini.
Unduh model pra-terlatih: gfpganv1.3.pth
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth -P experiments/pretrained_modelsKesimpulan!
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: autoJika Anda ingin menggunakan model asli dalam makalah kami, silakan lihat papermodel.md untuk instalasi dan inferensi.
| Versi | Nama model | Keterangan |
|---|---|---|
| V1.3 | Gfpganv1.3.pth | Berdasarkan v1.2; lebih banyak hasil restorasi alami ; Hasil yang lebih baik pada input berkualitas tinggi / berkualitas tinggi. |
| V1.2 | GFPGANCLEANV1-NOCE-C2.PTH | Tidak ada pewarnaan; Tidak diperlukan ekstensi CUDA. Dilatih dengan lebih banyak data dengan pra-pemrosesan. |
| V1 | Gfpganv1.pth | Model kertas, dengan pewarnaan. |
Perbandingannya dalam perbandingan.md.
Perhatikan bahwa v1.3 tidak selalu lebih baik dari v1.2. Anda mungkin perlu memilih model yang berbeda berdasarkan tujuan dan input Anda.
| Versi | Kekuatan | Kelemahan |
|---|---|---|
| V1.3 | ✓ output alami ✓ Hasil yang lebih buruk pada input yang sangat rendah ✓ Kerjakan input yang relatif berkualitas tinggi ✓ Dapat mengulangi (dua kali) restorasi | ✗ Tidak terlalu tajam ✗ Memiliki sedikit perubahan identitas |
| V1.2 | ✓ output yang lebih tajam ✓ Dengan riasan kecantikan | ✗ Beberapa output tidak wajar |
Anda dapat menemukan lebih banyak model (seperti diskriminator) di sini: [Google Drive], atau [Tencent Cloud 腾讯微云]
Kami menyediakan kode pelatihan untuk GFPGAN (digunakan dalam makalah kami).
Anda dapat memperbaikinya sesuai dengan kebutuhan Anda sendiri.
Tips
Prosedur
(Anda dapat mencoba versi sederhana ( options/train_gfpgan_v1_simple.yml ) yang tidak memerlukan landmark komponen wajah.)
Persiapan Dataset: FFHQ
Unduh model pra-terlatih dan data lainnya. Masukkan mereka ke dalam folder experiments/pretrained_models .
Ubah options/train_gfpgan_v1.yml sesuai.
Pelatihan
python -m torch.distributed.launch ---nproc_per_node = 4 ---master_port = 22021 gfpgan/train.py -Opt opsi/train_gfpgan_v1.yml --launcher pytorch
GFPGAN dirilis di bawah Lisensi Apache versi 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}
}
Jika Anda memiliki pertanyaan, silakan kirim email ke [email protected] atau [email protected] .
