沈阳大熊网站建设制作100个裂变营销案例
Towards Real World Blind Face Restoration with Generative Facial Prior
这个projec相对codeformer已经是老一些的了，CodeFormer paper说自己的效果比这个更好。
有看了这个视频，它借用了R-ESRGAN 4x 和 GFPGAN 50%，既保留了一些人物特征，又有了更好的效果。视频例子
传统方式
Blind Face Restoration:
- 基于脸部固定位置的信息：没有充分挖掘信息，缺少细节，但是对于一个粗略的脸部信息是OK的
- heavily 基于reference
images: 对于政府需要的强制性信息来说这个应该不难获取（比如犯过刑事案件同志的档案），但是对于其它情况，这个有点不切实际。
例子：包含适用普通GAN的
Modules
Degradation Removal：(Unet)
将不好的，有影响画质的内容去除
不同尺寸的feature 会被输出
Pre-trained Face GAN (StyleGAN2)
补充好的，丰富的面部信息
借用之前的spatial feature，得到画质更好的features
Losses
- Reconstruction loss
- Adversarial loss
- Facial component Loss with local discriminators
- Identity Preserving loss
Codeformer
亮点：
- 直接用高清后的图片做训练
- Codebook 替代了之前包含不确定性的连续的且无线空间，现在是有限的离散空间。离散编码参考了VQ-VAE （包含向量量化）。VAE 通常套路中间的latent是连续的，但是现在是codebook。
好的，接下来，他们要开始提升了，加入了transformer，这个也是应该看透了transformer的有点，有点类似于特征整理器。经过这里后的信息会分门别类的输出出来，这样能够有得到更有用的特征给Decoder生成更棒的图片。
整个过程，个人感觉也是借鉴了GFPGAN ： Degradation Removal：(Unet)，Pre-trained Face GAN (StyleGAN2) 分别替换成了 （a） 和 (b)， 相当于我一开始不优化图片了，直接学一个Remover后的优化图片。然后做真正的图的输出，这里使用了transformer出来的内容，代替了GFPGAN里从前一轮unet获得的不同尺寸的features。从稍微混的feature 到一个特征区分更明显的feature。（自己理解是这样的，可能也只是因为先看的GFPGAN paper，会觉得类似）