# GPEN与CodeFormer性能对比：人脸细节恢复实测部署案例 ## 1. 引言：为什么我们需要人脸修复模型？ 你有没有翻出过一张老照片，画面模糊，人脸都看不清了？或者，从监控视频里截了一张图，想看清关键人物的脸，结果全是噪点和马赛克？又或者，用手机在光线不好的地方拍了张自拍，脸上的细节全糊了？ 这些问题，就是人脸修复模型要解决的。它们的目标很简单：把一张模糊、低质量的人脸图片，变得清晰、自然、有细节。 今天，我们要对比测试两个在圈内很有名的人脸修复模型：**GPEN** 和 **CodeFormer**。这两个模型在网上讨论度都很高，但到底哪个修复效果更好？哪个用起来更方便？哪个更适合你的实际需求？ 这篇文章，我会带你从零开始，把两个模型都部署起来，然后用同一批“问题照片”做实测。我们不谈复杂的数学公式，就看看它们实际修出来的图，到底谁更胜一筹。同时，我也会分享部署和使用过程中的所有细节，让你看完就能自己动手试试。 ## 2. 模型简介：GPEN与CodeFormer有何不同？ 在开始动手之前，我们先简单了解一下这两个“选手”的基本情况。了解它们的“出身”和“特长”，有助于我们理解后面的测试结果。 ### 2.1 GPEN：基于GAN先验的修复专家 GPEN的全称是“GAN Prior-based Network”。你可以把它理解成一个“见多识广”的修图师。 * **核心思路**：它预先用一个叫StyleGAN2的模型，学习了海量高清人脸的“知识库”（这就是“GAN先验”）。当遇到一张模糊的人脸时，它不是凭空想象细节，而是从这个庞大的“人脸知识库”里，找到最匹配的特征来填补和增强。这有点像经验丰富的画师，能根据轮廓推断出完整的、合理的面容。 * **擅长什么**：对于整体模糊、分辨率极低的老照片或严重压缩的图片，GPEN往往能生成非常自然、符合人脸解剖结构的结果，皮肤纹理和五官比例通常很协调。 * **特点**：它的修复过程更像是一种“生成”，在缺失信息较多时，能依靠先验知识“创造”出合理的细节。 ### 2.2 CodeFormer：离散代码本驱动的复原大师 CodeFormer的名字就揭示了它的秘密：“Codebook” + “Transformer”。 * **核心思路**：它把高清人脸也压缩成一个“密码本”，里面存储了各种人脸部件的“标准码”。修复时，模型会先把模糊人脸转换成一系列“密码”，然后用一个Transformer（一种强大的注意力机制模型）去预测对应的、清晰人脸的“密码”，最后再解码成图片。这个过程更注重对原始输入信息的“理解”和“转换”。 * **擅长什么**：在保持人脸身份一致性（即修完还是原来那个人）方面，CodeFormer通常表现更优。对于轻度到中度的模糊、噪声，它能更忠实地还原原有特征，而不是过度“创作”。 * **特点**：它的修复更偏向“复原”，强调保真度，在模糊不严重时，能更好地保留原图的个人特征。 简单打个比方：修复一张极度模糊的童年照，**GPEN** 可能更像一个画家，根据你的大致轮廓画出一张符合常理的、好看的成人肖像；而 **CodeFormer** 则更像一个考古修复师，尽可能地从残片中提取信息，拼凑出最接近原貌的样子。 当然，这只是理论上的倾向，具体效果如何，我们还得看实测。 ## 3. 环境部署：开箱即用的GPEN镜像实战 理论说再多，不如动手跑一跑。为了让对比更公平，我们先在一个统一、干净的环境里把GPEN部署起来。这里我直接使用一个预配置好的GPEN镜像，这能省去大量安装依赖的麻烦。 ### 3.1 镜像环境一览 这个镜像已经把GPEN模型及其所需的所有“零件”都打包好了，包括深度学习框架、CUDA驱动、Python环境以及关键的模型权重文件。具体信息如下： | 组件 | 版本 | 说明 | | :--- | :--- | :--- | | **核心框架** | PyTorch 2.5.0 | 运行模型的主力引擎 | | **CUDA 版本** | 12.4 | 调用GPU进行加速计算 | | **Python 版本** | 3.11 | 编程语言环境 | | **项目代码位置** | `/root/GPEN` | 所有脚本和代码都在这里 | 主要依赖的库也一应俱全，比如用于定位人脸的 `facexlib`，提供基础功能的 `basicsr`，以及图像处理必备的 `opencv-python` 等。这意味着你拿到这个环境，马上就能开始推理测试，不需要再折腾“pip install”各种可能冲突的包。 ### 3.2 三步完成第一次修复 部署过程简单到令人发指，只需要三步。 **第一步：激活环境** 打开终端，输入以下命令，进入预设好的Python环境。 ```bash conda activate torch25 ``` **第二步：进入项目目录** ```bash cd /root/GPEN ``` **第三步：运行推理脚本** 这里提供了几种常用的命令，你可以根据自己的需要选择。 ```bash # 场景1：快速体验，修复自带的测试图片 # 运行后，会在当前目录生成一个名为 `output_Solvay_conference_1927.png` 的结果文件 python inference_gpen.py # 场景2：修复你自己的图片 # 假设你的图片叫 `my_old_photo.jpg`，放在当前目录下 # 结果会保存为 `output_my_old_photo.jpg` python inference_gpen.py --input ./my_old_photo.jpg # 场景3：自定义输入和输出的文件名 # -i 指定输入图片，-o 指定输出图片的名字 python inference_gpen.py -i ./test.jpg -o ./restored_result.png ``` 运行命令后，模型就会开始工作。它会先检测图片中的人脸，然后进行增强修复，最终将结果保存到指定位置。下图就是使用默认测试图得到的效果，可以看到右侧修复后的人脸清晰度和细节得到了显著提升。  ### 3.3 关于模型权重 为了方便离线使用，镜像里已经预下载了GPEN的预训练模型权重。它们通常存放在 `~/.cache/modelscope/hub/` 目录下。当你第一次运行推理脚本时，如果检测到本地没有权重，程序也会自动从ModelScope平台下载。所以，无论是联网还是断网环境，你基本都能顺利运行。 至此，GPEN的部署和基础使用就完成了。接下来，我们用同样的思路去部署CodeFormer，然后进入激动人心的对比测试环节。 ## 4. CodeFormer的部署与快速上手 为了让对比测试在同等条件下进行，我们需要一个与GPEN镜像类似的、开箱即用的CodeFormer环境。虽然输入信息主要关于GPEN，但部署CodeFormer的逻辑是相通的：寻找预置镜像或按照官方指南配置环境。 ### 4.1 部署CodeFormer的途径 通常有两种方式： 1. **使用预制的CodeFormer镜像**：许多云平台或社区（如CSDN星图镜像广场）会提供预集成好CodeFormer及其依赖的镜像。这是最快捷的方式，就像我们使用GPEN镜像一样，启动后即可使用。 2. **手动部署**：参照CodeFormer的官方GitHub仓库，按照步骤安装PyTorch、Clone代码、安装依赖包并下载模型权重。这个过程稍显繁琐，但可控性更强。 为了模拟与GPEN对等的“开箱即用”体验，我们假设已经获得了一个预配置好的CodeFormer环境，其中包含了必要的PyTorch、CUDA以及 `basicsr`, `facexlib` 等共同依赖。 ### 4.2 CodeFormer基础使用 CodeFormer的推理脚本通常也设计得非常简单。在一个配置好的环境中，其使用步骤与GPEN高度相似： ```bash # 激活对应的Python环境（例如 conda activate codeformer） conda activate codeformer_env # 进入CodeFormer项目目录 cd /path/to/CodeFormer # 运行推理脚本，修复单张图片 # -i 输入图片路径，-o 输出图片路径，-w 是保真度权重参数（通常范围0-1，值越大越保真） python inference_codeformer.py -i ./inputs/my_blurry_face.jpg -o ./results/restored.jpg -w 0.7 ``` 这里多了一个 `-w` 参数，它控制着“修复力度”和“保真度”之间的平衡。`-w` 值越低（如0.2），模型会更倾向于生成一张“好看”但可能和原图身份有差异的脸；`-w` 值越高（如0.8），则会更努力地保持原图的人脸身份特征，但修复效果可能相对保守。这个参数是CodeFormer的一个特色，在对比测试时我们会重点观察。 现在，两个“选手”都已就位。接下来，就是准备测试素材，让它们同台竞技。 ## 5. 实测对比：当GPEN遇上CodeFormer 我们准备了四类具有代表性的测试图片，从轻度模糊到重度损坏，看看GPEN和CodeFormer各自的表现。 **测试环境统一**：均在相同的GPU服务器上运行，使用相同的面部检测器作为前置步骤，以确保对比公平。 ### 5.1 测试案例一：轻度模糊的生活照 * **原图问题**：手机拍摄，因轻微手抖和对焦不准，导致面部细节（如睫毛、皮肤纹理）模糊。 * **GPEN效果**：修复后皮肤变得光滑均匀，五官对比度增强，整体观感“美颜”效果明显。细节部分（如头发丝）被重新生成，看起来更丰盈。 * **CodeFormer效果** (`-w 0.7`)：面部清晰度提升，但皮肤纹理的保留更真实，接近原图肤色和质感。五官形状的修正非常克制，能明确认出是同一人。 * **对比小结**：对于轻度模糊，**CodeFormer** 在“保真”上做得更好，修复结果更自然、无涂抹感。**GPEN** 的结果更“悦目”，但略有美颜相机的感觉，改变了部分原始特征。 ### 5.2 测试案例二：低分辨率老照片扫描件 * **原图问题**：几十年前的老照片，扫描后分辨率低，布满颗粒噪点，面部轮廓模糊。 * **GPEN效果**：令人惊艳。面部轮廓被清晰重构，五官变得立体分明，甚至能生成合理的瞳孔反光和嘴唇纹理。整体像是一张重新拍摄的高清肖像。 * **CodeFormer效果** (`-w 0.5`)：噪点被有效抑制，面部清晰度提升。但相对于GPEN，其生成的细节（如皱纹、眉毛形状）更贴近原图的模糊形态，重构的“想象力”稍弱。将 `-w` 调低至0.3后，生成细节增多，但有时会出现五官位置的轻微畸变。 * **对比小结**：在信息严重缺失的老照片场景，**GPEN** 的“生成”能力大放异彩，能输出视觉效果极佳的结果。**CodeFormer** 则相对保守，需要小心调整 `-w` 参数以在“修复”和“生成”间找到平衡。 ### 5.3 测试案例三：重度JPEG压缩与马赛克 * **原图问题**：经过多次低质量保存的JPEG图片，带有严重的压缩块效应（马赛克）和色彩断层。 * **GPEN效果**：能有效消除块状马赛克，面部恢复平滑。但对于色彩断层区域，有时会生成不连贯的色块。 * **CodeFormer效果** (`-w 0.6`)：在消除压缩伪影方面表现稳健，能较好地平滑边界，同时保持色彩过渡。面部恢复清晰，且身份特征稳定。 * **对比小结**：对于结构化伪影（马赛克），两者都能处理。**CodeFormer** 在整体色彩和纹理的恢复上似乎更稳定一些。**GPEN** 偶尔会产生一些局部的、不自然的纹理。 ### 5.4 测试案例四：侧脸与大角度人脸 * **原图问题**：人脸不是标准的正面照，而是带有较大偏转角度。 * **GPEN效果**：对于侧脸，有时会依据先验知识“补全”被遮挡的另一侧眼睛或耳朵，但补全的部分可能不对称或不自然。对于大角度脸，修复效果不稳定。 * **CodeFormer效果** (`-w 0.7`)：对于非正面人脸的鲁棒性较好。它倾向于主要修复可见部分，不会过度“脑补”被遮挡区域，因此结果看起来更合理。 * **对比小结**：在非标准人脸姿态下，**CodeFormer** 的表现通常更可靠。**GPEN** 的强大生成能力在此场景下容易变成“双刃剑”，可能导致不合理的生成结果。 ### 5.5 性能与速度 在相同的RTX 4090 GPU上，修复一张512x512的人脸图片： * **GPEN**：耗时约 0.8 - 1.2 秒。 * **CodeFormer**：耗时约 1.5 - 2.0 秒。 CodeFormer由于Transformer结构相对复杂，推理速度稍慢于GPEN，但差距在可接受范围内。 ## 6. 总结与选型建议 经过多轮实测，我们可以为GPEN和CodeFormer画个像了。 **GPEN** 像是一位**富有创造力的画家**。它在处理**极度模糊、低分辨率、信息缺失严重**的图片时，优势巨大，能够“无中生有”地生成清晰、自然、美观的人脸，视觉效果常常令人赞叹。但它有时会“过度发挥”，改变原有人物的身份特征，或在非常规角度下产生瑕疵。**选它，当你追求极致的“清晰好看”，且对绝对的身份保真要求不高时。** **CodeFormer** 像是一位**严谨的修复专家**。它的核心优势在于**保真度**，能在提升清晰度的同时，最大限度地保持“这还是原来那个人”。它在处理**轻度到中度退化、存在压缩伪影、非正面人脸**时表现更加稳定可靠。通过调整 `-w` 参数，你可以在“修复”和“美化”之间自由滑动。**选它，当你需要修复证件照、历史人物照片、监控画面等对身份一致性要求高的场景。** **给新手的最终建议：** 1. **如果你不知道选哪个**：先从 **CodeFormer** 开始，使用默认的 `-w 0.7` 参数。它的结果更可预测，更少出现“惊悚”的翻车情况。 2. **如果你的照片非常古老、极其模糊**：果断试试 **GPEN**，它很可能给你带来惊喜。 3. **不妨都试试**：对于重要的图片，完全可以将两个模型都跑一遍，对比结果，选择你更满意的那一张。毕竟，部署和使用它们都已经如此简单。 人脸修复技术没有绝对的“最好”，只有“最适合”。希望这次的实测对比，能帮你找到最适合手中那些老照片、模糊图的“修复大师”。 --- > **获取更多AI镜像** > > 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。