GFPGAN 低质量人脸图像超分辨率恢复实战指南

macOS 系统

# 使用 Homebrew 安装系统依赖
brew install python libomp

# 安装 Python 依赖
pip3 install basicsr facexlib
pip3 install -r requirements.txt
python3 setup.py develop

部署流程

获取项目源码

从官方仓库克隆代码：

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

模型权重下载

GFPGAN 需要预训练模型权重文件才能正常工作：

# 创建模型存储目录
mkdir -p experiments/pretrained_models

# 下载 GFPGAN v1.3 模型（推荐版本）
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth -P experiments/pretrained_models

安装验证

执行以下命令验证安装是否成功：

python -c "import gfpgan; print('GFPGAN 版本:', gfpgan.__version__)"

若输出 GFPGAN 版本信息，则表示基础环境配置正确。运行内置测试套件验证完整功能：

pytest tests/

所有测试通过后，环境部署即完成。

快速上手

命令行使用

GFPGAN 的核心功能通过 inference_gfpgan.py 脚本实现，基本命令格式如下：

python inference_gfpgan.py -i <输入路径> -o <输出路径> -v <模型版本> -s <缩放倍数>

处理单张图像

# 创建输入输出目录
mkdir -p inputs/test outputs

# 处理单张图像
python inference_gfpgan.py -i inputs/test/old_photo.jpg -o outputs/ -v 1.3 -s 2

批量处理图像

# 处理整个文件夹
python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2

关键参数说明

对于包含多个人脸的图像，可使用 --only_center_face 参数聚焦处理主要人脸；需要更高分辨率输出时，可将 -s 参数设置为 4。

Python API 集成

GFPGAN 可作为 Python 库集成到其他项目中：

from gfpgan import GFPGANer

# 初始化 GFPGAN 模型
restorer = GFPGANer(
    model_path='experiments/pretrained_models/GFPGANv1.3.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=None
)

# 处理图像
img_path = 'inputs/test.jpg'
restored_img = restorer.enhance(img_path)[0]

# 保存结果
cv2.imwrite('outputs/restored.jpg', restored_img)

问题诊断与性能优化

常见问题解决方案

问题 1：CUDA out of memory

现象：处理图像时出现"CUDA out of memory"错误 原因分析：GPU 显存不足，无法容纳模型和图像数据 解决方案：

# 方法 1：减小批处理大小
python inference_gfpgan.py -i inputs -o results --batch_size 1

# 方法 2：降低输入图像分辨率
python inference_gfpgan.py -i inputs -o results --size 512

# 方法 3：使用 CPU 模式（速度较慢）
CUDA_VISIBLE_DEVICES=-1 python inference_gfpgan.py -i inputs -o results

问题 2：ModuleNotFoundError

现象：运行时提示缺少某个模块 原因分析：依赖包未正确安装或版本不兼容 解决方案：

# 重新安装基础依赖
pip uninstall -y basicsr facexlib
pip install basicsr facexlib --upgrade

# 检查并安装缺失的包
pip install <缺失的包名>

问题 3：图像处理结果异常

现象：输出图像严重失真或出现异常伪像 原因分析：输入图像质量过低或模型文件损坏 解决方案：

# 验证模型文件完整性
md5sum experiments/pretrained_models/GFPGANv1.3.pth

# 尝试使用不同模型版本
python inference_gfpgan.py -i inputs -o results -v 1.2

性能优化策略

GPU 加速优化：

• 确保安装最新的 NVIDIA 驱动和 CUDA 工具包
• 使用半精度推理减少显存占用：--fp16
• 调整 bg_tile 参数：--bg_tile 400（数值越小显存占用越少）

批量处理优化：

# 使用多进程加速批量处理
python inference_gfpgan.py -i inputs -o results --num_processes 4

内存使用优化：

• 对超大图像进行分块处理：--tile 200
• 禁用背景增强减少计算量：--bg_upsampler none

针对不同问题需采取特定解决方案，显存不足时可降低批处理大小或分辨率，依赖问题需重新安装相关包。通过调整参数和硬件配置，可显著提升 GFPGAN 的处理效率和稳定性。

总结

GFPGAN 作为一款先进的人脸图像修复工具，通过创新的生成对抗网络架构和面部先验知识融合，为低质量人脸图像恢复提供了高效解决方案。本文详细介绍了 GFPGAN 的技术原理、环境配置、基础使用和高级应用技巧，覆盖了从部署到优化的全流程。

无论是老照片修复、监控图像增强还是社交媒体应用，GFPGAN 都展现出强大的实用价值。通过本文指南，相信您已掌握 GFPGAN 的核心使用方法，能够将这一工具应用于实际场景，创造更高质量的图像内容。