老照片作为时光记忆的载体，不只是过去美好时光的传承者，同时也是每个人的情结和怀念的寄托。

随着时间的流逝,许多老照片都因为自然或人为原因，受到了侵蚀损坏，画面模糊、褪色、照片磨损严重等现象，甚至还有的因为保管不好导致照片面目全非。

今天的这个Python模块叫GFPGAN，它能够让这些老照片恢复原有的光泽，使用了GAN算法对照片进行修复，效果比其他同类模型都有更好的表现。本模块支持Python3.7+版本。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器来编写小型Python项目：Python 编程的最好搭档—VSCode 详细指南

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，输入命令安装依赖：

# 克隆项目
git clone https://github.com/TencentARC/GFPGAN.git
  
# 进入项目
cd GFPGAN

# 安装依赖
pip install basicsr
pip install facexlib
pip install -r requirements.txt
pip install realesrgan

# 安装程序
python setup.py develop

2.使用GFPGAN进行老照片面部恢复

GFPGAN模型需要通过数据集训练得到，由于训练需要使用的数据量和算力非常大，作者团队提供了许多预处理好的模型给普通用户下载，这样我们就能绕过训练这个步骤直接使用模型，下载地址如下：

https://github.com/TencentARC/GFPGAN/releases/download/v0.2.0/GFPGANCleanv1-NoCE-C2.pth

如果你无法访问GitHub，也可以在Python实用宝典后台回复：GFPGAN 下载。包含了本项目源代码及许多其他预训练好的模型，包括：

• GFPGANCleanv1-NoCE-C2.pth：无法染色；不需要 CUDA 扩展。
• GFPGANv1.pth：论文使用的模型，能够对旧照片进行染色。

将想要使用的预训练模型放入 experiments/pretrained_models 文件夹下就可以开始使用了。

使用方法非常简单，进入项目目录后输入以下命令：

python inference_gfpgan.py --model_path experiments/pretrained_models/GFPGANv1.pth --test_path inputs/cropped_faces --save_root results

其中，各个参数的意义如下：

model_path: 使用的模型的位置。

test_path: 需要转换的老照片的路径。

save_root: 转换结果存放的路径。

效果如下：

可见其修复效果是非常优秀的，如果你们也有需要修复的老照片，可以尝试使用手机的照片扫描仪软件扫描后使用此模块修复。

3.微调模型

如果你对模型的输出结果不是很满意，你还可以基于作者团队给出的模型做微调。微调能实现以下目的：

1.如果你有更高质量的人脸数据，可以提高修复效果。

2.你可能需要对数据做一些微处理，比如美妆等。

微调流程如下：

1.准备好训练数据集：https://github.com/NVlabs/ffhq-dataset

2.下载预训练模型和其他你自己的数据，把它们放在 experiments/pretrained_models 文件夹里。我们公众号后台提供以下预训练模型：

• 预训练的 StyleGAN2 模型：StyleGAN2_512_Cmul1_FFHQ_B12G4_scratch_800k.pth
• FFHQ 位置：FFHQ_eye_mouth_landmarks_512.pth
• 一个简单的 ArcFace 模型：arcface_resnet18.pth

3.根据自身需求，相应地修改配置文件 options/train_gfpgan_v1.yml。

4.输入命令训练：

python -m torch.distributed.launch --nproc_per_node=4 --master_port=22021 gfpgan/train.py -opt options/train_gfpgan_v1.yml --launcher pytorch

模型微调的难度比较大，可能会遇到不少问题，大家要善于利用搜索引擎解决问题。

我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

​Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典