李顏

還記得這個能將老照片修復(fù)到纖毫畢現(xiàn)的GFPGAN嗎？現(xiàn)在，它的代碼正式開源了！官方已經(jīng)在GitHub上傳了3個預(yù)訓(xùn)練模型。其中，V1.3是最近更新的一版，修復(fù)效果更加自然。同時還能在低質(zhì)量輸入的情況下，輸出高質(zhì)量結(jié)果。自上線以來，GFPGAN已經(jīng)在GitHub上攬星1 7000多，還曾登頂過熱榜第一，更是在推特上引起過一波試玩熱潮。

開源代碼主要分為預(yù)訓(xùn)練和訓(xùn)練2個部分。預(yù)訓(xùn)練中以GFPGAN的V1.3版本為例，給出了預(yù)訓(xùn)練模型的下載地址，然后，只需一行代碼就能開始預(yù)訓(xùn)練模型推理了。

官方還展示了3種預(yù)訓(xùn)練模型的區(qū)別，與初始版本相比，后2版在修復(fù)精度上有了明顯提升。

V1.2的銳化更明顯，同時還帶有一些美顏效果，所以在一些情況下會比較假面。

V1.3明顯解決了這一問題，使得輸出更加自然，還能進行二次修復(fù)；不過弊端是人物面部特征有時會發(fā)生變化。

總之，V1.3并不完全優(yōu)于V1.2，大家可以按需選取合適的模型。

訓(xùn)練部分：首先，數(shù)據(jù)集選用FFHQ；然后，將下載好的預(yù)訓(xùn)練模型其他數(shù)據(jù)放在experiments / pretrained_ models文件夾里。其他數(shù)據(jù)包括：預(yù)訓(xùn)練好的StyleGAN2模型，F(xiàn)FHQ人臉對齊模型文件和ArcFace模型；

接下來，修改相對應(yīng)的配置文件options / train_gfpgan_v1. yml。在這里，也可以嘗試不使用人臉對齊的簡單版本options/ train_gfpgan_v1_simple.yml；

最后，就可以開始訓(xùn)練了。

此外，官方還有兩則提醒：第一，輸入更多高質(zhì)量的人臉圖像，可以提高修復(fù)的效果；第二，訓(xùn)練中可能需要進行一些圖像預(yù)處理，比如美顏。如果選擇訓(xùn)練V1.2版本，官方還給出了微調(diào)指南。

除了開源代碼，官方也早已開通了多個線上試玩通道，用HuggingFace來給展示修復(fù)后的蒙娜麗莎，不僅面部的噪點都被去掉了，甚至連頭發(fā)上的紗巾都清晰可見。修復(fù)的愛因斯坦，笑起來時臉上的褶皺更加明顯，頭發(fā)絲、胡茬也都被還原了出來。

GFPGAN能夠快速、高清地修復(fù)各種人臉圖像，主要是應(yīng)用了盲臉修復(fù)（Blind Face Restoration），傳統(tǒng)人臉修復(fù)方法主要針對同一場景下、特定退化的人臉圖像修復(fù)。比如此前一些人臉修復(fù)方法，會把Obama照片還原為白人面孔，這背后除了數(shù)據(jù)集存在偏差，還可能是算法沒有為每張人臉特征性建模。

盲臉修復(fù)就很好解決了這一弊端，它是指當(dāng)點擴展函數(shù)未知或不確知的情況下，從低質(zhì)的待修復(fù)人臉圖像恢復(fù)出清晰、高質(zhì)的目標(biāo)人臉圖像的過程。

本質(zhì)上是一種非匹配性的人臉修復(fù)方法，不過此前的一些盲臉修復(fù)方法在細(xì)節(jié)上表現(xiàn)不好，由此作者在GFPGAN中引入豐富的先驗信息，從而來保證高質(zhì)量的輸出效果。

在保真度方面，研究人員引入了一個面部損失（Facial Component Loss），判斷哪些細(xì)節(jié)需要提升保留，然后再用識別保留損失（Identity Preserving Loss）進行修復(fù)。