OSCHINA-MIRROR/mirrors-GFPGAN

Практический алгоритм восстановления лиц в реальных условиях: GFPGAN

Логотип GFPGAN

Английский | 简体中文

Обновления:

Восстановительные коды вывода RestoreFormer.
Модель V1.4 (https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.4.pth), которая обеспечивает немного больше деталей и лучшую идентичность, чем V1.3.
Модель V1.3 (https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth) обеспечивает более естественные результаты восстановления и лучшие результаты при очень низком или высоком качестве входных данных. Подробнее см. в разделе «Зоопарк моделей» и файле Comparisons.md.
Интеграция с Huggingface Spaces с Gradio. Смотрите веб-демонстрацию Gradio (https://huggingface.co/spaces/akhaliq/GFPGAN).
Поддержка улучшения нелицевых областей (фона) с помощью...

Спасибо за интерес к нашей работе. Вы также можете ознакомиться с нашими новыми обновлениями о крошечных моделях для аниме-изображений и видео в Real-ESRGAN:

GFPGAN направлен на разработку практического алгоритма восстановления лиц в реальных условиях. Он использует богатые и разнообразные априорные данные, заключённые в предварительно обученной GAN для лица (например, StyleGAN2), для слепого восстановления лица.

Часто задаваемые вопросы можно найти в FAQ.md. Real-ESRGAN

Мы предоставляем чистую версию GFPGAN, которая не требует расширений CUDA. Мы предлагаем обновлённую модель без раскрашивания лиц.

Если GFPGAN полезен для ваших фотографий/проектов, пожалуйста, помогите поставить этому репозиторию или порекомендуйте его своим друзьям. Спасибо!

Другие рекомендуемые проекты:

Real-ESRGAN: практический алгоритм для общего восстановления изображений. BasicSR: набор инструментов с открытым исходным кодом для восстановления изображений и видео. facexlib: коллекция, предоставляющая полезные функции, связанные с лицами. HandyView: программа просмотра изображений на основе PyQt5, удобная для просмотра и сравнения.

GFP-GAN: к реальному восстановлению лиц вслепую с использованием генеративного лицевого приоритета

[Paper] [Project Page] [Demo]
Xintao Wang, Yu Li, Honglun Zhang, Ying Shan
Исследовательский центр (ARC), Tencent PCG

Зависимости и установка

Python >= 3.7 (рекомендуется использовать Anaconda или Miniconda).
PyTorch >= 1.7.
Опционально: NVIDIA GPU + CUDA.
Опционально: Linux.

Установка

Теперь мы предоставляем чистую версию GFPGAN, которая не требует специализированных расширений CUDA. Если вы хотите использовать оригинальную модель из нашей статьи, см. PaperModel.md для установки.

Клонируйте репозиторий.

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

Установите зависимые пакеты.

# Установите basicsr - https://github.com/xinntao/BasicSR
# Мы используем BasicSR как для обучения, так и для вывода
pip install basicsr

# Установите facexlib - https://github.com/xinntao/facexlib
# Мы используем обнаружение лиц и восстановление лиц в пакете facexlib
pip install facexlib

pip install -r requirements.txt
python setup.py develop

# Если вы хотите улучшить фоновые (не лица) области с помощью Real-ESRGAN,
# вам также необходимо установить пакет realesrgan
pip install realesrgan

Быстрый вывод

Мы берём версию v1.3 в качестве примера. Другие модели можно найти здесь.

Скачайте предварительно обученные модели: GFPGANv1.3.pth.

wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth -P experiments/pretrained_models

Вывод!

python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2