GFP-GAN

生活中，我们都会遇到图片模糊状态下，很早之前我们是不可能恢复；之后通过PS进行修复，也会有畸形或者差异的表现；但是，现在AI可以准确完整的恢复出blind face。

一、简要

Blind face通常依赖于facial priors，如facial geometry prior或reference prior，来恢复现实和真实的细节。然而，当高质量的参考无法访问时，非常低质量的输入不能提供精确的几何先验，这限制了在现实场景中的适用性。

所以，有研究者提出了GFP-GAN，它利用封装在预先训练好的人脸GAN中的丰富多样的先验来进行blind face恢复。该Generative Facial Prior(GFP)通过新的信道分裂空间特征变换层融入到人脸修复过程中，使新方法能够实现真实度和保真度的良好平衡。由于强大的GFP和精细的设计，GFP-GAN可以通过一次共同恢复面部细节和增强颜色，而GAN inversion methods在推理时需要昂贵的特定图像优化。大量的实验表明，新方法在合成数据集和真实数据集上都取得了优于现有技术的性能。

二、效果先知道

在本研究中，研究者利用GFP来进行现实世界的盲脸恢复，即先验隐式封装在预先训练的人脸生成对抗网络(GAN)模型中，如StyleGAN。这些face GANs能够产生具有高度变化的 faithful faces，从而提供丰富多样的先验，如几何，面部纹理和颜色，使它能够共同恢复面部细节和增强颜色（如上图)。

然而，将这种生成先验纳入恢复过程中是具有挑战性的。以前的尝试通常使用GAN inversion。他们首先将降级的图像“倒置”回预先训练好的GAN的 latent code，然后进行昂贵的特定于图像的优化来重建图像。尽管在视觉上有真实的输出，但它们通常会产生低保真度的图像，因为低维的 latent code不足以引导精确的恢复。

三、新框架

GFP-GAN框架的概述：它包括一个degradation removal模块和一个预先训练好的face GAN作为 facial prior。它们由latent code映射和几个Channel-Split Spatial Feature Transform(CSSFT)层。所提出的CS-SFT调制实现了良好的保真度和保真度平衡。在训练过程中，使用1）Pyramid restoration引导来消除现实世界中复杂的退化，2）Facial component损失和识别器来增强面部细节，3） identity preserving损失以保持面部身份。

训练数据

和之前大部分工作类似，GFP-GAN采用了Synthetic数据的训练方式。研究者们发现在合理范围的Synthetic数据上训练, 能够涵盖大部分的实际中的人脸。GFP-GAN的训练采用了经典的降质模型, 即先高斯模糊, 再降采样, 然后加噪声, 最后使用JPEG压缩。whaosoft aiot http://143ai.com  

四、实验及效果可视化

在Synthetic的量化指标上, 该研究提出的方法在LPIPS、FID、 NIQE都能够取得最好的结果，Deg.是指人脸识别模型ArcFace的Cosine距离, 较小的值说明identity也保持的很好。