如何将模糊照片人脸恢复清晰,GFPGAN机器学习开源项目使用 | 机器学习

简介: 如何将模糊照片人脸恢复清晰,GFPGAN机器学习开源项目使用 | 机器学习

前言

最近看到一个有意思的机器学习项目——GFPGAN,他可以将模糊的人脸照片恢复清晰。开源项目的Github地址:https://github.com/TencentARC/GFPGAN


我们看一看作者给出的对比图。


屏幕快照 2022-06-08 下午11.38.33.png



最右侧的就是GFPGAN的效果,看一下最左层的输入图片,可以发现GFPGAN将图片恢复的非常清晰。这个效果非常惊艳。


按照以前的惯例,我还是先把这个项目安装使用一下,看看能不能对代码重新封装,变成可以工程化的项目。


环境安装

我们先看一下项目README给的提示。



image.png

首先需要的python版本是>=3.7的,所以我用Anaconda创建了一个python3.9的虚拟环境。Pytorch的安装直接从官网获取命令安装一个最新版本即可。


image.png


因为还有一些基础依赖的安装,照着安装一下就行,其实setup.py是已经在项目中的,如下图。


image.png


由于模型比较大,所以作者没有放在github上,给了下面的下载提示。该模型是作者提供已经训练好的模型。


image.png



如果下载很慢的话,可以从我的网盘下载。


链接:https://pan.baidu.com/s/1qU5PifU_qMZfM2Rgv8VpeA

提取码:TUAN


作者还提供了基础模型可供自行训练。


image.png


验证模型

下面我准备了一些图,挑了一些比较典型的图片,有黑白的、彩色的以及马赛克的,想看看是不是都可以实现清晰化处理。


准备的图片如下:


image.png


按照README提供的指令


python inference_gfpgan.py --upscale 2 --test_path inputs/newImages --save_root results

看一下执行结果:


(pytorch39) C:\Users\yi\PycharmProjects\GFPGAN>python inference_gfpgan.py --upscale 2 --test_path inputs/newImages --save_root results
C:\Users\yi\PycharmProjects\GFPGAN\inference_gfpgan.py:45: UserWarning: The unoptimized RealESRGAN is very slow on CPU. We do not use it. If you really want to use it, p
lease modify the corresponding codes.
  warnings.warn('The unoptimized RealESRGAN is very slow on CPU. We do not use it. '
Processing 331.jpg ...
E:\ProgramData\Anaconda3\envs\pytorch39\lib\site-packages\torch\nn\functional.py:3679: UserWarning: The default behavior for interpolate/upsample with float scale_factor
 changed in 1.6.0 to align with other frameworks/libraries, and now uses scale_factor directly, instead of relying on the computed output size. If you wish to restore th
e old behavior, please set recompute_scale_factor=True. See the documentation of nn.Upsample for details.
  warnings.warn(
Processing 333.jpg ...
Processing 334.jpg ...
Processing 335.jpg ...
Results are in the [results] folder.
(pytorch39) C:\Users\yi\PycharmProjects\GFPGAN>

按照默认参数,会在results结果文件夹中生成4个目录分别为前后对比图、原检测出来的脸部图、处理后的脸部图、处理后的最终图。



image.png


我们看看效果


image.png


image.png

image.png


可以看出两点:


1、马赛克不能消除,有一张全马赛克的图片,直接无法修复。


2、常规的模糊照片修复的是真的很清晰呀。


总结

总的来说该项目是非常优秀的,从最终图片的效果上来说,非常好了,至于去除马赛克还是得看别的项目了。后面研究研究这么项目,看能不能改改。


分享:


       别人说你不行,是因为他自己做不到。你要尽全力保护你的梦想,那些嘲笑你的人,他们必定会失败,他们想把你变成和他们一样的人。如果你有梦想的话,就要努力去实现, 就这样。             ——《当幸福来敲门》


如果本文对你有用的话,请点个赞吧,谢谢!


相关文章
|
2月前
|
机器学习/深度学习 算法 数据挖掘
【Python机器学习】K-Means算法对人脸图像进行聚类实战(附源码和数据集)
【Python机器学习】K-Means算法对人脸图像进行聚类实战(附源码和数据集)
298 1
|
数据安全/隐私保护 对象存储 开发者
《开发者评测》之PAI+AI开源项目评测获奖名单
PAI+AI开源项目评测活动获奖名单出炉啦!
|
机器学习/深度学习 人工智能 算法
🎁重磅豪礼!机器学习平台PAI + AI开源项目等你来评测!
为PAI + AI开源项目撰写评测,赢取《AI技术分享会》栏目录制机会、LAMY钢笔套装、hero手冲咖啡壶套装、阿里云社区评测官奖杯、阿里云社区首页达人展示一周、开发者评测限量版T恤、30元猫超卡等豪礼!
🎁重磅豪礼!机器学习平台PAI + AI开源项目等你来评测!
|
机器学习/深度学习 数据采集 人工智能
阿里云产品测评 机器学习平台PAI + AI开源项目
阿里云产品测评 机器学习平台PAI + AI开源项目
321 0
|
机器学习/深度学习 文字识别 Windows
十八、照片OCR和机器学习流水线
十八、照片OCR和机器学习流水线
十八、照片OCR和机器学习流水线
|
机器学习/深度学习
【阿旭机器学习实战】【15】人脸自动补全(多目标回归),并比较5种不同模型的预测效果
【阿旭机器学习实战】【15】人脸自动补全(多目标回归),并比较5种不同模型的预测效果
【阿旭机器学习实战】【15】人脸自动补全(多目标回归),并比较5种不同模型的预测效果
|
机器学习/深度学习 人工智能 TensorFlow
AI开发者大会之AI学习与进阶实践:2020年7月3日《如何转型搞AI?》、《基于AI行业价值的AI学习与进阶路径》、《自动机器学习与前沿AI开源项目》、《使用TensorFlow实现经典模型》
AI开发者大会之AI学习与进阶实践:2020年7月3日《如何转型搞AI?》、《基于AI行业价值的AI学习与进阶路径》、《自动机器学习与前沿AI开源项目》、《使用TensorFlow实现经典模型》
AI开发者大会之AI学习与进阶实践:2020年7月3日《如何转型搞AI?》、《基于AI行业价值的AI学习与进阶路径》、《自动机器学习与前沿AI开源项目》、《使用TensorFlow实现经典模型》
|
25天前
|
数据采集 机器学习/深度学习 算法
机器学习方法之决策树算法
决策树算法是一种常用的机器学习方法,可以应用于分类和回归任务。通过递归地将数据集划分为更小的子集,从而形成一棵树状的结构模型。每个内部节点代表一个特征的判断,每个分支代表这个特征的某个取值或范围,每个叶节点则表示预测结果。
102 1
|
5天前
|
机器学习/深度学习 算法 算法框架/工具
模型训练实战:选择合适的优化算法
【7月更文第17天】在模型训练这场智慧与计算力的较量中,优化算法就像是一位精明的向导,引领着我们穿越复杂的损失函数地形,寻找那最低点的“宝藏”——最优解。今天,我们就来一场模型训练的实战之旅,探讨两位明星级的优化算法:梯度下降和Adam,看看它们在不同战场上的英姿。
30 5
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理