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:
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):
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(512512)的输入图片,模型出来512512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128128,输出256256的处理,单张图片处理时间大概在130ms左右;对于输入256256,输出512512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: