计算机视觉研究院专栏
作者：Edison_G
生活中，我们都会遇到图片模糊状态下，很早之前我们是不可能恢复；之后通过PS进行修复，也会有畸形或者差异的表现；但是，现在AI可以准确完整的恢复出blind face。
欢迎关注“
计算机视觉研究院
”
一、简要
Blind face通常依赖于facial priors，如facial geometry prior或reference prior，来恢复现实和真实的细节。然而，当高质量的参考无法访问时，非常低质量的输入不能提供精确的几何先验，这限制了在现实场景中的适用性。
所以，有研究者提出了GFP-GAN，它利用封装在预先训练好的人脸GAN中的丰富多样的先验来进行blind face恢复。该Generative Facial Prior(GFP)通过新的信道分裂空间特征变换层融入到人脸修复过程中，使新方法能够实现真实度和保真度的良好平衡。由于强大的GFP和精细的设计，GFP-GAN可以通过一次共同恢复面部细节和增强颜色，而GAN inversion methods在推理时需要昂贵的特定图像优化。大量的实验表明，新方法在合成数据集和真实数据集上都取得了优于现有技术的性能。
二、效果先知道
HiFaceGAN [69]：Lingbo Yang, Chang Liu, Pan Wang, Shanshe Wang, Peiran Ren, Siwei Ma, and Wen Gao. Hifacegan: Face renovation via collaborative suppression and replenishment. ACM Multimedia, 2020
DFDNet [46]：Xiaoming Li, Chaofeng Chen, Shangchen Zhou, Xianhui Lin, Wangmeng Zuo, and Lei Zhang. Blind face restoration via deep multi-scale component dictionaries. In ECCV, 2020
Wan et al. [63]：Ziyu Wan, Bo Zhang, Dongdong Chen, Pan Zhang, Dong Chen, Jing Liao, and Fang Wen. Bringing old photos back to life. In CVPR, 2020
PULSE [54]：Sachit Menon, Alexandru Damian, Shijia Hu, Nikhil Ravi, and Cynthia Rudin. Pulse: Self-supervised photo upsampling via latent space exploration of generative models. In CVPR, 2020
在本研究中，研究者利用GFP来进行现实世界的盲脸恢复，即先验隐式封装在预先训练的人脸生成对抗网络(GAN)模型中，如StyleGAN。这些face GANs能够产生具有高度变化的 faithful faces，从而提供丰富多样的先验，如几何，面部纹理和颜色，使它能够共同恢复面部细节和增强颜色（如上图)。
然而，将这种生成先验纳入恢复过程中是具有挑战性的。以前的尝试通常使用GAN inversion。他们首先将降级的图像“倒置”回预先训练好的GAN的 latent code，然后进行昂贵的特定于图像的优化来重建图像。尽管在视觉上有真实的输出，但它们通常会产生低保真度的图像，因为低维的 latent code不足以引导精确的恢复。
三、新框架
GFP-GAN框架的概述：它包括一个degradation removal模块和一个预先训练好的face GAN作为 facial prior。它们由latent code映射和几个Channel-Split Spatial Feature Transform(CSSFT)层。所提出的CS-SFT调制实现了良好的保真度和保真度平衡。在训练过程中，使用1）Pyramid restoration引导来消除现实世界中复杂的退化，2）Facial component损失和识别器来增强面部细节，3） identity preserving损失以保持面部身份。
Adversarial Loss
Facial Component Loss
Identity Preserving Loss
总体模型目标是上述损失的组合：
训练数据
和之前大部分工作类似，GFP-GAN采用了Synthetic数据的训练方式。研究者们发现在合理范围的Synthetic数据上训练, 能够涵盖大部分的实际中的人脸。GFP-GAN的训练采用了经典的降质模型, 即先高斯模糊, 再降采样, 然后加噪声, 最后使用JPEG压缩。
四、实验及效果可视化
在Synthetic的量化指标上, 该研究提出的方法在LPIPS、FID、 NIQE都能够取得最好的结果，Deg.是指人脸识别模型ArcFace的Cosine距离, 较小的值说明identity也保持的很好。
计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
计算机视觉研究院
公众号ID｜ComputerVisionGzq
学习群｜扫码在主页获取加入方式
【文章转自印度服务器 http://www.558idc.com/yd.html提供，感恩】