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
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
文章出处登录后可见!