GFP-GAN restaura fotografías faciales detalladas

[3dpoder]

GFP-GAN, interesante red neuronal que puede restaurar los detalles faciales en pocos pasos.

Si quieres restaurar una imagen antigua, con ruido y de baja calidad, aquí hay una nueva red neuronal que probablemente pueda ayudarte a realizar esta tarea.

Conoce GFP-GAN, una herramienta para restaurar rasgos faciales. Creada por Xintao Wang, Yu Li, Honglun Zhang y Ying Shan. Según el equipo, GFP-GAN aprovecha una biblioteca rica y diversa de priores encapsulados en una GAN facial entrenada para la restauración de lo que se conoce como "cara ciega o borrosa".

El Prior Facial Generativo (GFP) se incorpora al proceso de restauración facial a través de nuevas capas de transformación de características espaciales divididas por canales. Lo cual permite que este método logre un buen equilibrio de realidad y fidelidad a la imagen original.

Gracias a los potentes diseños faciales generativos previos y delicados, este GFP-GAN podría restaurar conjuntamente los detalles faciales y mejorar los colores en pocos pasos.

GFP-GAN ofrece resultados en función de la calidad de la imagen original

La restauración de la cara ciega generalmente se basa en los priores faciales, como la geometría facial previa o la referencia previa, para restaurar detalles realistas y fieles. Sin embargo, las imágenes originales de muy baja calidad no pueden ofrecer una precisión geométrica previa. Lo que limita la aplicabilidad en escenarios del mundo real.

En este trabajo, GFP-GAN aprovecha los priores ricos y diversos encapsulados en una GAN facial pre-entrenada para la restauración de la cara ciega. Este Prior Facial Generativo (GFP) se incorpora al proceso de restauración facial a través de nuevas capas de transformación de características espaciales divididas por canales.

Gracias a los potentes diseños faciales generativos previos y delicados, este GFP-GAN podría restaurar conjuntamente los detalles faciales y mejorar los colores al mismo tiempo.

Tienes más información sobre este proyecto en la web de sus desarrolladores; Xintao Wang, Yu Li, Honglun Zhang y Ying Shan.

Dejo un PDF con toda la información oficial del proyecto, y una imagen que muestra lo que este código es capaz de conseguir.