English | 简体中文

1. :boom: 更新了在线演示：。这里还有一个备份。
2. :boom: 更新了在线演示：
3. GFPGAN的Colab演示；（另一个Colab演示用于原始论文中的模型）

:rocket: 感谢您对我们工作的关注。您可能还想查看我们在Real-ESRGAN中针对动漫图像和视频推出的小型模型的新更新 :blush:

GFPGAN旨在开发一种适用于真实场景的人脸修复实用算法。
它利用预训练人脸GAN（如StyleGAN2）中封装的丰富多样的先验知识，实现盲人像修复。

:question: 常见问题解答可在FAQ.md中找到。

:triangular_flag_on_post: 更新

• :white_check_mark: 添加了RestoreFormer的推理代码。
• :white_check_mark: 添加了V1.4模型，该模型比V1.3生成的细节略多，且身份保持更好。
• :white_check_mark: 添加了**V1.3模型，它能产生更自然*的修复效果，并在极低质量或高质量*输入上表现更佳。更多信息请参见模型库、Comparisons.md。
• :white_check_mark: 集成到Huggingface Spaces中，使用Gradio。请参阅Gradio网页演示。
• :white_check_mark: 支持使用Real-ESRGAN增强非人脸区域（背景）。
• :white_check_mark: 我们提供了一个干净版本的GFPGAN，不需要CUDA扩展。
• :white_check_mark: 我们提供了一个不进行人脸着色的更新模型。

---

如果GFPGAN对您的照片或项目有所帮助，请为本仓库点赞或推荐给您的朋友。谢谢：blush: 其他推荐项目：
:arrow_forward: Real-ESRGAN：一种用于通用图像修复的实用算法
:arrow_forward: BasicSR：一个开源的图像和视频修复工具箱
:arrow_forward: facexlib：一个提供有用人脸相关功能的集合
:arrow_forward: HandyView：一款基于PyQt5的图像查看器，便于查看和比较

---

:book: GFP-GAN：基于生成式人脸先验的真实世界盲人像修复

[论文]   [项目页面]   [演示]
王鑫涛、李宇、张洪伦、山英
腾讯PCG应用研究中心（ARC）

---

:wrench: 依赖与安装

• Python >= 3.7（建议使用Anaconda或Miniconda）
• PyTorch >= 1.7
• 可选：NVIDIA GPU + CUDA
• 可选：Linux

安装

我们现在提供了一个干净版本的GFPGAN，不需要自定义的CUDA扩展。
如果您想使用我们论文中的原始模型，请参阅PaperModel.md了解安装方法。

1. 克隆仓库

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

2. 安装依赖包

   # 安装basicsr - https://github.com/xinntao/BasicSR
   # 我们在训练和推理中都使用BasicSR
   pip install basicsr
   
   # 安装facexlib - https://github.com/xinntao/facexlib
   # 我们在facexlib包中使用人脸检测和修复辅助工具
   pip install facexlib
   
   pip install -r requirements.txt
   python setup.py develop
   
   # 如果你想用Real-ESRGAN增强背景（非人脸）区域，
   # 还需要安装realesrgan包
   pip install realesrgan
   

:zap: 快速推理

我们以 v1.3 版本为例。更多模型请参见 这里。

下载预训练模型：GFPGANv1.3.pth

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

开始推理！

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

用法：python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2 [选项]...

  -h                   显示帮助信息
  -i input             输入图像或文件夹。默认：inputs/whole_imgs
  -o output            输出文件夹。默认：results
  -v version           GFPGAN 模型版本。可选：1 | 1.2 | 1.3。默认：1.3
  -s upscale           图像的最终上采样倍数。默认：2
  -bg_upsampler        背景超分辨率模型。默认：realesrgan
  -bg_tile             背景超分辨率模型的分块大小，测试时设为 0 表示不分块。默认：400
  -suffix              修复后人脸的后缀
  -only_center_face    只修复中心人脸
  -aligned             输入为已对齐的人脸
  -ext                 图像扩展名。可选：auto | jpg | png，auto 表示使用与输入相同的扩展名。默认：auto

如果您想使用我们论文中的原始模型，请参阅 PaperModel.md，了解安装和推理方法。

:european_castle: 模型库

版本	模型名称	描述
V1.3	GFPGANv1.3.pth	基于 V1.2；更自然的修复效果；在极低质量/高质量输入上表现更好。
V1.2	GFPGANCleanv1-NoCE-C2.pth	不含色彩化；无需 CUDA 扩展。使用更多经过预处理的数据进行训练。
V1	GFPGANv1.pth	论文中的原始模型，包含色彩化功能。

对比结果请参见 Comparisons.md。

请注意，V1.3 并不总是优于 V1.2。您可能需要根据自己的用途和输入选择不同的模型。

版本	优势	劣势
V1.3	✓ 自然的输出 ✓ 在极低质量输入上的表现更好 ✓ 对相对高质量输入也有效 ✓ 可以进行重复（两次）修复	✗ 锐度不够 ✗ 身份特征会有轻微变化
V1.2	✓ 输出更锐利 ✓ 带有美颜效果	✗ 部分输出显得不自然

您可以在这里找到 更多模型（例如判别器）：[Google Drive]，或者 [腾讯微云]

:computer: 训练

我们提供了 GFPGAN 的训练代码（用于我们的论文）。
您可以根据自身需求对其进行改进。

提示

1. 更多高质量人脸数据可以提升修复效果。
2. 您可能需要进行一些预处理，例如美颜处理。

流程

（您可以尝试一个简单的版本 (options/train_gfpgan_v1_simple.yml)，该版本不需要人脸关键点标注。）

1. 数据集准备：FFHQ

2. 下载预训练模型及其他数据，并将其放入 experiments/pretrained_models 文件夹。

   1. 预训练 StyleGAN2 模型：StyleGAN2_512_Cmul1_FFHQ_B12G4_scratch_800k.pth
   2. FFHQ 人脸关键点数据：FFHQ_eye_mouth_landmarks_512.pth
   3. 一个简单的 ArcFace 模型：arcface_resnet18.pth

3. 相应地修改配置文件 options/train_gfpgan_v1.yml。

4. 开始训练

python -m torch.distributed.launch --nproc_per_node=4 --master_port=22021 gfpgan/train.py -opt options/train_gfpgan_v1.yml --launcher pytorch

:scroll: 许可证与致谢

GFPGAN 采用 Apache License Version 2.0 许可证发布。

BibTeX

@InProceedings{wang2021gfpgan,
    author = {Xintao Wang and Yu Li and Honglun Zhang and Ying Shan},
    title = {利用生成式人脸先验实现真实场景下的盲人像修复},
    booktitle={IEEE 计算机视觉与模式识别会议 (CVPR)},
    year = {2021}
}

:e-mail: 联系方式

如有任何问题，请发送邮件至 xintao.wang@outlook.com 或 xintaowang@tencent.com。

GFPGAN 快速上手指南

GFPGAN 是一款实用的盲人脸修复算法，利用预训练的人脸 GAN（如 StyleGAN2）中丰富的先验知识，对真实世界中的低质量人脸图像进行高质量修复。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux (推荐) 或 Windows (需使用无需 CUDA 扩展的 clean 版本)。
• Python: >= 3.7 (推荐使用 Anaconda 或 Miniconda 管理环境)。
• PyTorch: >= 1.7。
• 硬件: 可选 NVIDIA GPU + CUDA (加速推理)，也支持 CPU 模式运行。

2. 安装步骤

本项目提供无需自定义 CUDA 扩展的 clean 版本，兼容性好且安装简便。

2.1 克隆仓库

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

2.2 安装依赖

建议先配置国内 pip 源以加速下载（例如清华源）：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

依次安装核心依赖包：

# 安装 basicsr (训练和推理基础库)
pip install basicsr

# 安装 facexlib (人脸检测与修复辅助工具)
pip install facexlib

# 安装其他 requirements
pip install -r requirements.txt

# 安装当前项目
python setup.py develop

# (可选) 如果需要增强背景区域，需安装 realesrgan
pip install realesrgan

3. 基本使用

以下以效果更自然的 V1.3 模型为例进行演示。

3.1 下载预训练模型

将模型下载到指定目录：

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

(注：如果下载速度慢，可手动从浏览器下载后放入 experiments/pretrained_models 文件夹)

3.2 执行推理

准备一张或多张人脸图片放入 inputs/whole_imgs 文件夹（或指定其他路径），然后运行：

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

参数说明：

• -i: 输入图片或文件夹路径。
• -o: 输出结果文件夹路径。
• -v: 模型版本 (可选 1, 1.2, 1.3，默认 1.3)。
  • V1.3: 结果更自然，适应极低质或较高质量输入。
  • V1.2: 输出更锐利，带美颜效果，无颜色化，无需 CUDA 扩展。
• -s: 最终放大倍数 (默认 2)。
• -bg_upsampler: 背景放大器 (默认 realesrgan，若无需背景增强可调整)。

运行完成后，修复后的图片将保存在 results 文件夹中。