aigc修复美颜学习笔记

AI算法网奇

已于 2024-01-11 16:13:20 修改

阅读量1.2k

点赞数 17

分类专栏： aigc与数字人文章标签： AIGC

于 2024-01-11 16:10:55 首次发布

本文链接：https://blog.csdn.net/jacke121/article/details/135531885

版权

aigc与数字人专栏收录该内容

91 篇文章 3 订阅

订阅专栏

GFPGAN进行图像人脸修复

美颜

修复畸形手势

GFPGAN进行图像人脸修复

原文：本地使用GFPGAN进行图像人脸修复_人相修复处理网页 csdn-CSDN博客

人脸修复
1.下载项目和权重文件
2.部署环境
3.下载权重文件
4.运行代码
5.网页端体验
首先来看一下效果图

1.下载项目和权重文件
https://github.com/iptop/GFPGAN-for-Video.git
1
2.部署环境
根据README文件部署好环境，额外还需要：

cd GFPGAN-1.3.8
python setup.py develop
1
2
3.下载权重文件
可提前下载好权重文件（也可以等运行代码的时候，自动下载）权重文件的url：
https://ghproxy.com/https://github.com/TencentARC/GFPGAN/releases/download/v1.3.0/GFPGANv1.3.pth
https://github.com/xinntao/facexlib/releases/download/v0.1.0/detection_Resnet50_Final.pth
https://github.com/xinntao/facexlib/releases/download/v0.2.2/parsing_parsenet.pth
下载好的权重文件放在路径./GFPGAN-for-Video/gfpgan/weights下

安利一个github文件下载加速网站：https://ghproxy.com/

4.运行代码
原代码是用来修复视频，但是我用了后没发现有啥效果，所以暂时只是用来修复图片
在./GFPGAN-for-Video/src路径下创建脚本image_enhance.py

import argparse
import cv2
from utils.restorer import Restorer

def videoEnhance (image_path , output_image_path):
    restorer = Restorer()

    image = cv2.imread(image_path)
    frame = restorer.enhance(image)
    cv2.imwrite(output_image_path, frame)
    return True

def main():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        '-i',
        '--input',
        type=str,
        required=True,
        metavar='请输入要处理的图片文件路径',
        help='请输入要处理的图片文件路径')

    parser.add_argument(
        '-o',
        '--output',
        type=str,
        required=True,
        metavar='请输入输出图片的路径',
        help='请输入输出图片的路径')

    args = parser.parse_args()
    videoEnhance(args.input, args.output)

if __name__ == '__main__':
    main()

运行脚本就可得到修复后的图片了

python src/image_enhance.py -i input.png -o output.png
1
5.网页端体验
Hugging Face网页端：https://huggingface.co/spaces/Xintao/GFPGAN
我试了下速度很慢
————————————————
版权声明：本文为CSDN博主「咚咚锵咚咚锵」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_45977690/article/details/132695954

美颜

参考：

AIGC-照片美颜精修解决方案_WebUI_效果_模型

这个方案中的难点：如何有效保留用户原图信息，如何使用有效的磨皮美颜prompt达到美颜效果；

具体实现

1.StableDiffusion大模型选择

美颜效果主要表现为皮肤白皙，没有褶皱，斑点，雀斑，法令纹，眼角纹，痣等等，为了达到这类效果，我们首先要选择合适的SD模型，这里我们选择ChilloutMix模型，具体下载地址：

C站地址：ChilloutMix | Stable Diffusion Checkpoint | Civitai

huggingface地址：swl-models/chilloutmix at main (huggingface.co)

这个模型的效果举例如下：

2.有了大模型之后，我们以WebUI为例，进行分析，打开WebUI，由于我们要进行修图，所以，我们需要选择img2img模式，在该模式下选择ChilloutMix大模型。我们选择一张测试图，如下图：

导入WebUI后，如图所示。

3.叠加两个Controlnet控制，分别为canny边缘控制、depth深度信息控制，参数设置分别如下( 选用canny和depth的原因是我们需要通过边缘和深度信息尽可能的保留用户原图信息)：

4.img2img参数设置

这里提供美颜专用的prompt：

positive:masterpiece,best quality,high res, (photorealistic:1.4),(red face blush:1.2),red lips,extremely detailed

negative:(worst quality:2), (low quality:2), (normal quality:2), lowres, normal quality,(skin spots:2), acne,acne marks,mole (skin blemishes:2), (age spot:2), watermark,signature water mark

主要描述说明：

face blush:腮红

red lips:红色唇彩

skin spots:皮肤斑点

acne：雀斑

age spot:老年斑

skin blemishes:皮肤瑕疵

mole:痣

对于Prompt描述，我们可以自行研究，这里给的主要是磨皮和简单的唇彩腮红效果，实际上可以定义各种人脸效果，包括肤色调节，美白，妆容等等，这也就是AIGC做人像美颜的优越性体现。除了这些参数之外，其他参数设置：

5.基于上述参数设置，点击运行，效果图如下：

原图 AIGC生成效果

通过修改描述词，微调效果如下：

上述效果我们仔细看会发现，其实与原图还是有一些差别的，这些差别在某些情况下会导致不像用户，为此，我们做到这里并没有结束，我们需要挑选我们想要的美颜区域，叠加到用户原图之上，以此来保证用户ID相似性。