生成式人脸修复增强调研

对比近3年，有影响力的人脸修复工程

Real-ESRGAN

工程地址：https://github.com/xinntao/Real-ESRGAN
效果：

人脸增强部分，调用的GFPGAN.

GFPGAN

工程地址：https://github.com/TencentARC/GFPGAN
论文效果：

BasicSR-ESRGAN：

项目地址：https://github.com/XPixelGroup/BasicSR/tree/master
效果：
![在这里插入图片描述])

CodeFormer

工程地址：https://github.com/sczhou/CodeFormer
论文效果：

GCFSR

效果：
需要在源码中，添加脸部分对其，并且必须将原图resize到（512，512），否则跑不起来。

SCGAN

工程地址：https://github.com/HaoHou-98/SCGAN
效果：

针对原分辨率16*16非常小的图，如果分辨率较大的图，输入进去很模糊。

初步结论：

细致对比（GFPGAN，CodeFormer）：

同样的测试环境（4090服务器）
GFPGAN：
纯粹超分部分时间消耗（输入：256，输出：512）：

纯粹超分部分时间消耗（输入：128，输出：256）

Codefomer:
纯粹超分部分时间消耗（输入：512，输出：512）

左边是原图，中间是Codefomer修复的结果，右边是GFPGAN修复的结果。

最终结论：

耗时方面：

• CodeFormer只能处理输入（512* 512）的输入图片，模型出来512* 512的清晰图片，单张512* 512图片的处理时间，大概27ms。如果我们需要别的输入输出size,需要resize图片。
• GFPGan可以处理多种输入输出，对于输入128*128，输出256 * 256的处理，单张图片处理时间大概在130ms左右；对于输入256 * 256，输出512 * 512的处理，单张图片处理时间大概在145ms左右。

效果方面：

• CodeFormer对输入图片均有增强的效果，比头发，脖子，衣领等，CodeFormer修复后有皮肤纹理，GFPGan修复后皮肤都比较光滑，且GFPGan仅仅只有人脸部分比较突出。
  -
• GFPGan对女生友好一些，因为自带磨皮效果，CodeFormer对男生友好一点，更加接近真实。
  但是CodeFormer对女生牙齿修复效果较差。但将修复的图片贴到原图，效果没那么难看。

此外，CodeFormer不仅能处理人脸图片增强，还能处理人脸图片修复。
比如：