基于 GFPGAN 的低质量人脸图像超分辨率恢复实战

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

创建模型存储目录并下载 GFPGAN v1.3 模型（推荐版本）：

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

验证安装是否成功，执行以下命令查看版本信息：

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

若输出版本信息，说明基础环境配置正确。也可以运行内置测试套件验证完整功能：pytest tests/。

快速上手

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

mkdir -p inputs/test outputs
python inference_gfpgan.py -i inputs/test/old_photo.jpg -o outputs/ -v 1.3 -s 2

批量处理图像

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

关键参数说明

• -i: 输入路径（文件或文件夹），必填。
• -o: 输出路径，默认为 results。
• -v: 模型版本，可选 1.2, 1.3，默认 1.3。
• -s: 超分辨率缩放倍数，可选 2, 4，默认 2。
• --bg_upsampler: 背景增强器，可选 realesrgan, none，默认 realesrgan。
• --only_center_face: 仅处理中心人脸，True/False，默认 False。
• --ext: 输出图像格式，auto/jpg/png，默认 auto。

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。

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：处理图像时出现显存不足错误。 原因：GPU 显存无法容纳模型和图像数据。 解决：

# 减小批处理大小
python inference_gfpgan.py -i inputs -o results --batch_size 1
# 降低输入图像分辨率
python inference_gfpgan.py -i inputs -o results --size 512
# 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：依赖包未正确安装或版本不兼容。 解决：重新安装基础依赖或检查缺失的包。

pip uninstall -y basicsr facexlib
pip install basicsr facexlib --upgrade
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伪像。 原因：输入图像质量过低或模型文件损坏。 解决：验证模型完整性或尝试使用不同模型版本。

md5sum experiments/pretrained_models/GFPGANv1.3.pth
python inference_gfpgan.py -i inputs -o results -v 1.2

性能优化策略

• GPU 加速：确保安装最新 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（如 --bg_tile 400），数值越小显存占用越少。
• 批量处理：使用多进程加速（--num_processes 4）。
• 内存优化：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）。

高级应用

集成到 Python 项目

GFPGAN 可作为 Python 库集成到其他项目中：

from gfpgan import GFPGANer

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

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

import cv2
cv2.imwrite('outputs/restored.jpg', restored_img)

自定义模型训练

针对特定场景需求，可基于 GFPGAN 进行模型微调：

# 准备训练数据
python scripts/parse_landmark.py --data_root datasets/ffhq --output datasets/ffhq_landmarks
# 开始训练
python gfpgan/train.py -opt options/train_gfpgan_v1.yml

结合 Real-ESRGAN 增强背景

可同时提升人脸和背景质量：

pip install realesrgan
python inference_gfpgan.py -i inputs -o results --bg_upsampler realesrgan --bg_tile 400

总结

GFPGAN 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。从环境配置到基础使用，再到高级 API 集成，这套流程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。掌握核心使用方法后，你可以将其灵活应用于实际场景，创造更高质量的图像内容。