GFPGAN Gesichtsrestauration

Gesichter in Fotos mit GFPGAN auf Clore.ai wiederherstellen und verbessern

Gesichter in Fotos mit GFPGAN wiederherstellen und verbessern.

Alle Beispiele können auf GPU-Servern ausgeführt werden, die über CLORE.AI Marketplace.

Mieten auf CLORE.AI

1. Besuchen Sie 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:

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

pip install gfpgan

Modelle herunterladen

# 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

# 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

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

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

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)

# 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

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:

# 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

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

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

# 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

# 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

# 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

# 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

# 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 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

• Stable Diffusion WebUI

• KI-Videogenerierung