# GFPGAN Gesichtsrestauration

Gesichter in Fotos mit GFPGAN wiederherstellen und verbessern.

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die über [CLORE.AI Marketplace](https://clore.ai/marketplace).
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen Sie [CLORE.AI Marketplace](https://clore.ai/marketplace)
2. Nach GPU-Typ, VRAM und Preis filtern
3. Wählen **On-Demand** (Festpreis) oder **Spot** (Gebotspreis)
4. Konfigurieren Sie Ihre Bestellung:
   * Docker-Image auswählen
   * Ports festlegen (TCP für SSH, HTTP für Web-UIs)
   * Umgebungsvariablen bei Bedarf hinzufügen
   * Startbefehl eingeben
5. Zahlung auswählen: **CLORE**, **BTC**, oder **USDT/USDC**
6. Bestellung erstellen und auf Bereitstellung warten

### Zugriff auf Ihren Server

* Verbindungsdetails finden Sie in **Meine Bestellungen**
* Webschnittstellen: Verwenden Sie die HTTP-Port-URL
* SSH: `ssh -p <port> root@<proxy-address>`

## Was ist GFPGAN?

GFPGAN (Generative Facial Prior GAN) spezialisiert sich auf:

* Wiederherstellung alter/beschädigter Fotos
* Verbesserung unscharfer Gesichter
* Verbesserung KI-generierter Gesichter
* Behebung von Porträts mit niedriger Auflösung

## Schnelle Bereitstellung

**Docker-Image:**

```
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime
```

**Ports:**

```
22/tcp
7860/http
```

**Befehl:**

```bash
pip install gfpgan gradio && \
python -c "
import gradio as gr
from gfpgan import GFPGANer
import cv2
import numpy as np

restorer = GFPGANer(
    model_path='https://github.com/TencentARC/GFPGAN/releases/download/v1.3.4/GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=None
)

def restore(image):
    img = np.array(image)
    img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
    _, _, output = restorer.enhance(img, has_aligned=False, only_center_face=False, paste_back=True)
    output = cv2.cvtColor(output, cv2.COLOR_BGR2RGB)
    return output

demo = gr.Interface(fn=restore, inputs=gr.Image(), outputs=gr.Image(), title='GFPGAN Face Restorer')
demo.launch(server_name='0.0.0.0', server_port=7860)
"
```

## Zugriff auf Ihren Dienst

Nach der Bereitstellung finden Sie Ihre `http_pub` URL in **Meine Bestellungen**:

1. Gehen Sie zur **Meine Bestellungen** Seite
2. Klicken Sie auf Ihre Bestellung
3. Finden Sie die `http_pub` URL (z. B., `abc123.clorecloud.net`)

Verwenden Sie `https://IHRE_HTTP_PUB_URL` anstelle von `localhost` in den Beispielen unten.

## CLI-Verwendung

### Installation

```bash
pip install gfpgan
```

### Modelle herunterladen

```bash

# Gesichtswiederherstellungsmodell herunterladen
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.4/GFPGANv1.4.pth -P ./models

# Erkennungsmodell herunterladen
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/detection_Resnet50_Final.pth -P ./models

# Parsing-Modell herunterladen
wget https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/parsing_parsenet.pth -P ./models
```

### Grundlegende Verwendung

```bash

# Einzelbild wiederherstellen
python inference_gfpgan.py -i input.jpg -o results -v 1.4 -s 2

# Ordner wiederherstellen
python inference_gfpgan.py -i ./inputs -o ./results -v 1.4 -s 2
```

### Optionen

```bash
python inference_gfpgan.py \
    -i input.jpg \      # Eingabebild/Ordner
    -o results \        # Ausgabeordner
    -v 1.4 \            # GFPGAN-Version (1.2, 1.3, 1.4)
    -s 2 \              # Hochskalierungsfaktor
    --bg_upsampler realesrgan \  # Hintergrund-Upscaler
    --only_center_face  # Nur Gesicht in der Bildmitte wiederherstellen
```

## Python-API

### Grundlegende Gesichtswiederherstellung

```python
from gfpgan import GFPGANer
import cv2

# Initialisieren
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=None
)

# Bild laden
img = cv2.imread('photo.jpg')

# Gesichter wiederherstellen
cropped_faces, restored_faces, restored_img = restorer.enhance(
    img,
    has_aligned=False,
    only_center_face=False,
    paste_back=True
)

# Ergebnis speichern
cv2.imwrite('restored.jpg', restored_img)
```

### Mit Hintergrundverbesserung

```python
from gfpgan import GFPGANer
from realesrgan import RealESRGANer
from basicsr.archs.rrdbnet_arch import RRDBNet
import cv2

# Hintergrund-Upscaler einrichten
bg_model = RRDBNet(num_in_ch=3, num_out_ch=3, num_feat=64, num_block=23, num_grow_ch=32, scale=2)
bg_upsampler = RealESRGANer(
    scale=2,
    model_path='RealESRGAN_x2plus.pth',
    model=bg_model,
    half=True
)

# Face-Restorer mit Hintergrundverbesserung einrichten
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2,
    bg_upsampler=bg_upsampler
)

# Verarbeitung
img = cv2.imread('old_photo.jpg')
_, _, output = restorer.enhance(img, has_aligned=False, only_center_face=False, paste_back=True)
cv2.imwrite('enhanced.jpg', output)
```

### Nur Gesichter verarbeiten (Nicht zurück einfügen)

```python

# Einzelne wiederhergestellte Gesichter erhalten
cropped_faces, restored_faces, _ = restorer.enhance(
    img,
    has_aligned=False,
    only_center_face=False,
    paste_back=False
)

# Jedes Gesicht separat speichern
for i, face in enumerate(restored_faces):
    cv2.imwrite(f'face_{i}.jpg', face)
```

## Batch-Verarbeitung

```python
import os
from gfpgan import GFPGANer
import cv2
from tqdm import tqdm

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2
)

input_dir = './old_photos'
output_dir = './restored'
os.makedirs(output_dir, exist_ok=True)

for filename in tqdm(os.listdir(input_dir)):
    if filename.lower().endswith(('.png', '.jpg', '.jpeg')):
        img = cv2.imread(os.path.join(input_dir, filename))

        try:
            _, _, output = restorer.enhance(
                img,
                has_aligned=False,
                only_center_face=False,
                paste_back=True
            )
            cv2.imwrite(os.path.join(output_dir, filename), output)
        except Exception as e:
            print(f"Failed: {filename} - {e}")
```

## CodeFormer (Alternative)

CodeFormer ist ein weiterer ausgezeichneter Gesichtswiederhersteller:

```python

# Installation
pip install codeformer-pip

# Verwendung
from codeformer import CodeFormer
import cv2

restorer = CodeFormer()
img = cv2.imread('blurry_face.jpg')
result = restorer.restore(img)
cv2.imwrite('restored.jpg', result)
```

## Videogesichtswiederherstellung

```python
import cv2
from gfpgan import GFPGANer
from tqdm import tqdm

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=1,  # Originalgröße für Video beibehalten
    arch='clean',
    channel_multiplier=2
)

cap = cv2.VideoCapture('video.mp4')
fps = cap.get(cv2.CAP_PROP_FPS)
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
total = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))

out = cv2.VideoWriter('restored_video.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))

for _ in tqdm(range(total)):
    ret, frame = cap.read()
    if not ret:
        break

    try:
        _, _, restored = restorer.enhance(frame, paste_back=True)
        out.write(restored)
    except:
        out.write(frame)  # Original beibehalten, falls die Wiederherstellung fehlschlägt

cap.release()
out.release()
```

## API-Server

```python
from fastapi import FastAPI, UploadFile
from fastapi.responses import Response
from gfpgan import GFPGANer
import cv2
import numpy as np

app = FastAPI()

restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    arch='clean',
    channel_multiplier=2
)

@app.post("/restore")
async def restore_face(file: UploadFile, upscale: int = 2):
    contents = await file.read()
    nparr = np.frombuffer(contents, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)

    _, _, output = restorer.enhance(img, paste_back=True)

    _, encoded = cv2.imencode('.jpg', output)
    return Response(content=encoded.tobytes(), media_type="image/jpeg")

# Ausführen: uvicorn server:app --host 0.0.0.0 --port 8000
```

## Modellversionen

| Version | Qualität  | Geschwindigkeit | Hinweise            |
| ------- | --------- | --------------- | ------------------- |
| v1.4    | Am besten | Mittel          | Empfohlen           |
| v1.3    | Großartig | Schnell         | Gutes Gleichgewicht |
| v1.2    | Gut       | Am schnellsten  | Legacy              |

## Anwendungsfälle

### Wiederherstellung alter Fotos

```python

# Beste Einstellungen für alte Fotos
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=4,  # Höhere Hochskalierung für alte Niedrigauflösungsfotos
    bg_upsampler=bg_upsampler
)
```

### KI-Kunstverbesserung

```python

# Für KI-generierte Bilder mit Gesichtsartefakten
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=1,  # Originalgröße beibehalten
    only_center_face=True  # Auf das Hauptgesicht konzentrieren
)
```

### Gruppenfotos

```python

# Alle Gesichter im Gruppenfoto verarbeiten
restorer = GFPGANer(
    model_path='GFPGANv1.4.pth',
    upscale=2,
    only_center_face=False  # ALLE Gesichter verarbeiten
)
```

## Leistung

| Bildgröße | Gesichter | GPU      | Zeit   |
| --------- | --------- | -------- | ------ |
| 512x512   | 1         | RTX 3090 | \~0.2s |
| 1024x1024 | 1         | RTX 3090 | \~0.3s |
| 1024x1024 | 5         | RTX 3090 | \~0.8s |
| 2048x2048 | 1         | RTX 4090 | \~0.3s |

## Fehlerbehebung

### Kein Gesicht erkannt

```python

# Erkennungs-Schwelle senken
from gfpgan.utils import GFPGANer

# Oder zuerst den Gesichtsbereich manuell zuschneiden
```

### Übermäßig geglättete Ergebnisse

* Verwende CodeFormer mit geringerer Fidelity-Gewichtung
* Mit dem Original mittels Alpha-Compositing mischen

### VRAM-Probleme

```python

# CPU für Gesichtserkennung verwenden
import torch
torch.cuda.empty_cache()

# Gesichter nacheinander verarbeiten
only_center_face=True
```

## Kostenabschätzung

Typische CLORE.AI-Marktplatztarife (Stand 2024):

| GPU       | Stundensatz | Tagessatz | 4-Stunden-Sitzung |
| --------- | ----------- | --------- | ----------------- |
| RTX 3060  | \~$0.03     | \~$0.70   | \~$0.12           |
| RTX 3090  | \~$0.06     | \~$1.50   | \~$0.25           |
| RTX 4090  | \~$0.10     | \~$2.30   | \~$0.40           |
| A100 40GB | \~$0.17     | \~$4.00   | \~$0.70           |
| A100 80GB | \~$0.25     | \~$6.00   | \~$1.00           |

*Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie* [*CLORE.AI Marketplace*](https://clore.ai/marketplace) *auf aktuelle Preise.*

**Geld sparen:**

* Verwenden Sie **Spot** Markt für flexible Workloads (oft 30–50% günstiger)
* Bezahlen mit **CLORE** Token
* Preise bei verschiedenen Anbietern vergleichen

## Nächste Schritte

* [Real-ESRGAN-Upscaling](https://docs.clore.ai/guides/guides_v2-de/bildverarbeitung/real-esrgan-upscaling)
* Stable Diffusion WebUI
* [KI-Videogenerierung](https://docs.clore.ai/guides/guides_v2-de/videogenerierung/ai-video-generation)