尧图网页设计 
简介这份资源面向图像处理与深度学习方向的开发者、学生及算法爱好者聚焦现实世界中模糊人脸图像的清晰化恢复问题以GFPGAN为核心实现方案帮助读者理解生成对抗网络在人脸修复任务中的落地方式。压缩包共53个文件约5.72MB包含26个Python源码文件、4个yml与2个yaml训练配置、4个md说明文档以及pth预训练权重、cfg与in等配置文件和少量png、jpg示例图覆盖模型构建、训练、推理与测试各环节。资源围绕数据预处理、生成器与判别器搭建、对抗损失与感知损失训练、SSIM与PSNR评估、应用部署等关键流程展开并配有详细流程教程与项目源码便于读者对照复现实验、理解GFPGAN的工程结构也可作为人脸识别、视频编辑等场景的参考实现。目前已有189人学习适合希望系统掌握人脸恢复算法并积累实战经验的中高级读者。1. 模糊人脸恢复到底难在哪从一张糊成马赛克的旧照说起手里有一张十几年前的合影人脸区域只有指甲盖大小放大后全是块状噪点眼睛鼻子糊成一团。这种图丢给传统锐化算法出来的结果要么是满脸噪点要么是塑料感极强的假脸。模糊人脸恢复要解决的核心问题不是把图放大而是在像素信息严重缺失的前提下把丢失的高频细节合理地猜回来同时还得像个人。GFPGAN 就是冲着这个场景来的。它把人脸超分和面部先验知识揉在一起用生成式的方式重建五官结构而不是单纯做插值。这份资源包给了一套能跑通的完整流程加源码适合两类人一类是手里有模糊人脸素材、想快速看到恢复效果的产品和运营同学另一类是刚接触图像恢复、想拿一个真实项目练手的算法初学者。它不要求你从零推导 GAN 的损失函数但要求你能把环境配起来、把权重加载对、把参数调明白。我见过太多人卡在第一步——环境装完跑不通或者跑通了效果跟演示图差十万八千里。这篇笔记就按能复现的标准来拆把每个环节的参数含义和翻车点都摊开讲。2. GFPGAN 的恢复链路拆解为什么它比普通超分更像人2.1 退化建模与生成式先验的配合逻辑普通超分模型比如 ESRGAN的训练目标是让输出在像素层面接近高清原图但它没见过的人脸结构就只能靠纹理糊弄。GFPGAN 的思路不一样它引入了一个预训练的人脸 GAN通常是 StyleGAN2 系作为先验把低质人脸先映射到 GAN 的隐空间里再从这个空间解码出高清人脸。换句话说它不是在修复像素而是在重建一张符合人脸分布的脸。这个链路大致分三段。第一段是退化去除模块负责把输入图的噪声、模糊、压缩伪影压下去输出一个相对干净的中间特征。第二段是 GAN 先验注入把中间特征对齐到预训练生成器的隐编码上。第三段是解码与融合生成高清人脸后再和原图做保真度融合避免完全脱离原图变成另一张脸。理解这个三段结构很重要因为它直接决定了你调参时的方向如果输出太假、不像本人说明 GAN 先验权重过大需要往回拉如果输出还是糊的说明退化去除没做够或者输入分辨率太低先验根本没东西可对齐。2.2 环境搭建与依赖版本锁定这份源码包基于 PyTorch 实现常见做法是用 conda 建一个独立环境避免和系统里的其他深度学习库打架。下面是我一般会走的安装流程命令都验证过# 创建独立环境python 版本建议 3.8 或 3.9 conda create -n gfpgan_env python3.9 -y conda activate gfpgan_env # 安装 PyTorch注意 CUDA 版本要和你的显卡驱动匹配 # 这里以 CUDA 11.3 为例驱动版本不够就降级 pip install torch1.12.1cu113 torchvision0.13.1cu113 \ -f https://download.pytorch.org/whl/torch_stable.html # 安装项目依赖 pip install basicsr facexlib gfpgan pip install opencv-python pillow numpy逻辑说明PyTorch 版本必须和 CUDA 驱动对齐这是最常见的翻车点。basicsr是 GFPGAN 依赖的基础超分框架facexlib提供人脸检测和对齐能力gfpgan是主包。参数上torch1.12.1cu113里的cu113表示编译时链接的 CUDA 版本如果你机器上是 CUDA 11.6就换成cu116对应的 wheel。装完之后别急着跑先验证一下import torch print(torch.__version__) print(torch.cuda.is_available()) # 必须输出 True print(torch.cuda.get_device_name(0))如果is_available()返回 False后面所有推理都会退到 CPU速度慢到没法用。这时候要检查驱动版本和 CUDA 运行时是否匹配而不是反复重装 PyTorch。2.3 权重文件放置与推理入口GFPGAN 需要两类权重人脸检测模型和恢复模型本身。源码包里一般会附带下载脚本常见做法是手动放到指定目录避免网络问题导致下载中断。# 目录结构参考 GFPGAN/ ├── experiments/ │ └── pretrained_models/ │ ├── detection_Resnet50_Final.pth │ └── GFPGANv1.4.pth ├── inputs/ │ └── whole_photo.jpg └── results/权重放好后推理命令通常长这样python inference_gfpgan.py \ -i inputs/whole_photo.jpg \ -o results \ -v 1.4 \ -s 2 \ --bg_upsampler realesrgan参数逐个说-i是输入路径可以是单张图也可以是文件夹-o是输出目录-v 1.4指定模型版本不同版本对细节和保真度的取舍不一样-s 2是放大倍数2 表示输出分辨率是输入的 2 倍--bg_upsampler realesrgan表示背景用 RealESRGAN 单独处理因为 GFPGAN 只负责人脸区域背景如果不管会显得很割裂。跑完之后results目录下会有cmp对比图、cropped_faces裁剪出的人脸、restored_faces恢复后的人脸和restored_imgs整图恢复结果。先看cmp目录能最直观判断效果。3. 参数调优与批量处理把单张跑通变成能干活3.1 放大倍数与保真度的权衡-s参数不是越大越好。设成 4 的时候模型要在更大尺度上编细节五官容易走形设成 1 又几乎没放大失去意义。我的经验是原图人脸区域小于 64×64 像素时用-s 2先恢复一轮再把结果作为输入跑第二轮比直接-s 4稳。这叫迭代恢复虽然慢但脸不容易崩。还有一个隐藏参数是--upscale它控制最终输出的整体缩放。如果你只想要人脸变清晰、背景保持原样可以把背景上采样关掉只保留人脸恢复。3.2 批量处理脚本与命名规范单张跑通之后实际项目里往往是几百张图。直接循环调用命令行效率低我一般写一个 Python 脚本批量处理顺便统一命名和日志import os import cv2 import glob from gfpgan import GFPGANer # 初始化恢复器只加载一次避免重复占显存 restorer GFPGANer( model_pathexperiments/pretrained_models/GFPGANv1.4.pth, upscale2, archclean, channel_multiplier2, bg_upsamplerNone # 批量时先不处理背景省时间 ) input_dir inputs/batch output_dir results/batch os.makedirs(output_dir, exist_okTrue) for img_path in glob.glob(os.path.join(input_dir, *.jpg)): img_name os.path.basename(img_path) img cv2.imread(img_path, cv2.IMREAD_COLOR) # 核心调用返回裁剪人脸、恢复人脸、恢复整图 _, _, restored_img restorer.enhance( img, has_alignedFalse, only_center_faceFalse, paste_backTrue ) if restored_img is not None: cv2.imwrite(os.path.join(output_dir, img_name), restored_img) print(fdone: {img_name}) else: print(fno face detected: {img_name})逻辑说明GFPGANer初始化时把模型加载进显存循环里只做前向推理这是批量处理提速的关键。has_alignedFalse表示输入是整图不是对齐后的人脸让内部自己检测only_center_faceFalse表示处理画面里所有人脸如果只关心主角可以设 True 提速paste_backTrue把恢复后的人脸贴回原图。参数channel_multiplier2控制网络宽度调大更精细但更吃显存一般保持 2 即可。3.3 人脸检测失败时的兜底策略批量跑的时候一定会遇到检测不到脸的情况——侧脸、遮挡、太小、太暗都会导致检测器罢工。这时候restored_img返回 None如果不做处理输出目录里就会缺文件后续流程容易断。常见做法是加一层兜底检测失败时直接把原图复制到输出目录并在日志里标记。这样至少保证文件数量对得上人工复查时能快速定位问题图。另一个思路是先用facexlib的检测器单独跑一遍把置信度低的图挑出来降低阈值再试一次但要注意阈值太低会引入误检把不是脸的区域也当脸处理。4. 避坑与排查那些让我重跑一整天的细节4.1 现象推理报错 CUDA out of memory原因批量处理时图片分辨率过大或者channel_multiplier设得太高显存扛不住。GFPGAN 在 2K 图上跑显存占用会飙升。解决先把输入图缩到长边 1024 以内再送进去如果还爆把channel_multiplier降到 1实在不行就分块处理或者换显存更大的卡。别硬扛爆显存之后进程可能留下僵尸占用得重启内核。4.2 现象恢复后的人脸完全不像本人原因GAN 先验权重过大模型自由发挥过头了。这种情况在输入质量极差时尤其明显因为先验没有足够的约束。解决换用保真度更高的模型版本比如 v1.3 比 v1.4 更保守或者降低放大倍数先恢复一轮再迭代。如果还是不像说明输入信息量已经低于模型能合理重建的下限这时候任何算法都救不回来只能换素材。4.3 现象背景和人脸拼接处有明显色差或接缝原因人脸区域和背景用了不同的处理管线亮度、色彩空间没对齐。解决开启--bg_upsampler realesrgan让背景也走一遍上采样或者后期用泊松融合把接缝抹平。我一般会在贴回之前对人脸区域边缘做一圈羽化过渡会自然很多。4.4 现象安装 basicsr 时报错 ModuleNotFoundError: No module named torch原因conda 环境和 pip 的路径没对齐或者 PyTorch 装到了 base 环境里。解决确认conda activate之后which python指向的是当前环境的解释器再重新装 PyTorch。别在没激活环境的情况下 pip install这是新手最常踩的坑。4.5 现象输出图片偏色整体发绿或发紫原因OpenCV 读图默认是 BGR 通道而模型内部可能按 RGB 处理通道顺序搞反了。解决读图后用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转一下输出前再转回 BGR。这个坑很隐蔽因为图能出来只是颜色不对不仔细看容易忽略。5. 进阶技巧用分块推理把大图恢复做到可用前面说的都是常规流程但实际项目里经常遇到整张大合影人脸只占很小一块直接整图送进去要么爆显存要么人脸区域被过度压缩。我后来固定用一套分块推理加人脸对齐的组合拳效果稳定很多。思路是这样的先用facexlib的检测器把所有人脸框出来按框裁剪出人脸区域每张脸单独做恢复再把恢复后的人脸按原坐标贴回大图。这样每张脸都能拿到足够的像素预算不会被整图缩放拖累。代价是要处理贴回时的边缘融合但比起整图崩掉这点工作量值得。from facexlib.detection import init_detection_model import cv2 import numpy as np # 初始化检测器 detector init_detection_model(retinaface_resnet50, halfFalse) img cv2.imread(inputs/group_photo.jpg) # 检测人脸返回框和关键点 with torch.no_grad(): bboxes detector.detect_faces(img, conf_threshold0.5) for i, box in enumerate(bboxes): x1, y1, x2, y2 map(int, box[:4]) # 外扩 20% 留出上下文避免贴回时太生硬 w, h x2 - x1, y2 - y1 x1 max(0, x1 - int(w * 0.2)) y1 max(0, y1 - int(h * 0.2)) x2 min(img.shape[1], x2 int(w * 0.2)) y2 min(img.shape[0], y2 int(h * 0.2)) face_crop img[y1:y2, x1:x2] # 这里调用恢复器处理 face_crop再贴回 # 贴回时用高斯羽化边缘参数上conf_threshold0.5是检测置信度阈值调低能检出更多侧脸但误检也会增加外扩 20% 是为了给贴回留过渡区太小会有硬边太大可能把旁边的人脸框进来。羽化半径一般取人脸框短边的 5% 到 10%具体看分辨率。验证恢复效果不能只看一张图。我习惯准备一组对照原图、恢复图、以及一个用普通双三次插值放大的图三张并排看。如果恢复图在五官结构上明显比插值图合理说明模型起作用了如果只是更锐但结构还是错的那可能是锐化过度得回头调参数。从那以后我每次跑批量恢复都强制先拿三张典型图正脸、侧脸、小脸做小样本验证确认参数没问题再全量跑。这个习惯帮我省了至少两次通宵重跑。希望帮到你。本文还有配套的精品资源点击获取 GFPGAN模糊人脸恢复实战：从环境搭建到批量推理与避坑指南
简介这份资源面向图像处理与深度学习方向的开发者、学生及算法爱好者聚焦现实世界中模糊人脸图像的清晰化恢复问题以GFPGAN为核心实现方案帮助读者理解生成对抗网络在人脸修复任务中的落地方式。压缩包共53个文件约5.72MB包含26个Python源码文件、4个yml与2个yaml训练配置、4个md说明文档以及pth预训练权重、cfg与in等配置文件和少量png、jpg示例图覆盖模型构建、训练、推理与测试各环节。资源围绕数据预处理、生成器与判别器搭建、对抗损失与感知损失训练、SSIM与PSNR评估、应用部署等关键流程展开并配有详细流程教程与项目源码便于读者对照复现实验、理解GFPGAN的工程结构也可作为人脸识别、视频编辑等场景的参考实现。目前已有189人学习适合希望系统掌握人脸恢复算法并积累实战经验的中高级读者。1. 模糊人脸恢复到底难在哪从一张糊成马赛克的旧照说起手里有一张十几年前的合影人脸区域只有指甲盖大小放大后全是块状噪点眼睛鼻子糊成一团。这种图丢给传统锐化算法出来的结果要么是满脸噪点要么是塑料感极强的假脸。模糊人脸恢复要解决的核心问题不是把图放大而是在像素信息严重缺失的前提下把丢失的高频细节合理地猜回来同时还得像个人。GFPGAN 就是冲着这个场景来的。它把人脸超分和面部先验知识揉在一起用生成式的方式重建五官结构而不是单纯做插值。这份资源包给了一套能跑通的完整流程加源码适合两类人一类是手里有模糊人脸素材、想快速看到恢复效果的产品和运营同学另一类是刚接触图像恢复、想拿一个真实项目练手的算法初学者。它不要求你从零推导 GAN 的损失函数但要求你能把环境配起来、把权重加载对、把参数调明白。我见过太多人卡在第一步——环境装完跑不通或者跑通了效果跟演示图差十万八千里。这篇笔记就按能复现的标准来拆把每个环节的参数含义和翻车点都摊开讲。2. GFPGAN 的恢复链路拆解为什么它比普通超分更像人2.1 退化建模与生成式先验的配合逻辑普通超分模型比如 ESRGAN的训练目标是让输出在像素层面接近高清原图但它没见过的人脸结构就只能靠纹理糊弄。GFPGAN 的思路不一样它引入了一个预训练的人脸 GAN通常是 StyleGAN2 系作为先验把低质人脸先映射到 GAN 的隐空间里再从这个空间解码出高清人脸。换句话说它不是在修复像素而是在重建一张符合人脸分布的脸。这个链路大致分三段。第一段是退化去除模块负责把输入图的噪声、模糊、压缩伪影压下去输出一个相对干净的中间特征。第二段是 GAN 先验注入把中间特征对齐到预训练生成器的隐编码上。第三段是解码与融合生成高清人脸后再和原图做保真度融合避免完全脱离原图变成另一张脸。理解这个三段结构很重要因为它直接决定了你调参时的方向如果输出太假、不像本人说明 GAN 先验权重过大需要往回拉如果输出还是糊的说明退化去除没做够或者输入分辨率太低先验根本没东西可对齐。2.2 环境搭建与依赖版本锁定这份源码包基于 PyTorch 实现常见做法是用 conda 建一个独立环境避免和系统里的其他深度学习库打架。下面是我一般会走的安装流程命令都验证过# 创建独立环境python 版本建议 3.8 或 3.9 conda create -n gfpgan_env python3.9 -y conda activate gfpgan_env # 安装 PyTorch注意 CUDA 版本要和你的显卡驱动匹配 # 这里以 CUDA 11.3 为例驱动版本不够就降级 pip install torch1.12.1cu113 torchvision0.13.1cu113 \ -f https://download.pytorch.org/whl/torch_stable.html # 安装项目依赖 pip install basicsr facexlib gfpgan pip install opencv-python pillow numpy逻辑说明PyTorch 版本必须和 CUDA 驱动对齐这是最常见的翻车点。basicsr是 GFPGAN 依赖的基础超分框架facexlib提供人脸检测和对齐能力gfpgan是主包。参数上torch1.12.1cu113里的cu113表示编译时链接的 CUDA 版本如果你机器上是 CUDA 11.6就换成cu116对应的 wheel。装完之后别急着跑先验证一下import torch print(torch.__version__) print(torch.cuda.is_available()) # 必须输出 True print(torch.cuda.get_device_name(0))如果is_available()返回 False后面所有推理都会退到 CPU速度慢到没法用。这时候要检查驱动版本和 CUDA 运行时是否匹配而不是反复重装 PyTorch。2.3 权重文件放置与推理入口GFPGAN 需要两类权重人脸检测模型和恢复模型本身。源码包里一般会附带下载脚本常见做法是手动放到指定目录避免网络问题导致下载中断。# 目录结构参考 GFPGAN/ ├── experiments/ │ └── pretrained_models/ │ ├── detection_Resnet50_Final.pth │ └── GFPGANv1.4.pth ├── inputs/ │ └── whole_photo.jpg └── results/权重放好后推理命令通常长这样python inference_gfpgan.py \ -i inputs/whole_photo.jpg \ -o results \ -v 1.4 \ -s 2 \ --bg_upsampler realesrgan参数逐个说-i是输入路径可以是单张图也可以是文件夹-o是输出目录-v 1.4指定模型版本不同版本对细节和保真度的取舍不一样-s 2是放大倍数2 表示输出分辨率是输入的 2 倍--bg_upsampler realesrgan表示背景用 RealESRGAN 单独处理因为 GFPGAN 只负责人脸区域背景如果不管会显得很割裂。跑完之后results目录下会有cmp对比图、cropped_faces裁剪出的人脸、restored_faces恢复后的人脸和restored_imgs整图恢复结果。先看cmp目录能最直观判断效果。3. 参数调优与批量处理把单张跑通变成能干活3.1 放大倍数与保真度的权衡-s参数不是越大越好。设成 4 的时候模型要在更大尺度上编细节五官容易走形设成 1 又几乎没放大失去意义。我的经验是原图人脸区域小于 64×64 像素时用-s 2先恢复一轮再把结果作为输入跑第二轮比直接-s 4稳。这叫迭代恢复虽然慢但脸不容易崩。还有一个隐藏参数是--upscale它控制最终输出的整体缩放。如果你只想要人脸变清晰、背景保持原样可以把背景上采样关掉只保留人脸恢复。3.2 批量处理脚本与命名规范单张跑通之后实际项目里往往是几百张图。直接循环调用命令行效率低我一般写一个 Python 脚本批量处理顺便统一命名和日志import os import cv2 import glob from gfpgan import GFPGANer # 初始化恢复器只加载一次避免重复占显存 restorer GFPGANer( model_pathexperiments/pretrained_models/GFPGANv1.4.pth, upscale2, archclean, channel_multiplier2, bg_upsamplerNone # 批量时先不处理背景省时间 ) input_dir inputs/batch output_dir results/batch os.makedirs(output_dir, exist_okTrue) for img_path in glob.glob(os.path.join(input_dir, *.jpg)): img_name os.path.basename(img_path) img cv2.imread(img_path, cv2.IMREAD_COLOR) # 核心调用返回裁剪人脸、恢复人脸、恢复整图 _, _, restored_img restorer.enhance( img, has_alignedFalse, only_center_faceFalse, paste_backTrue ) if restored_img is not None: cv2.imwrite(os.path.join(output_dir, img_name), restored_img) print(fdone: {img_name}) else: print(fno face detected: {img_name})逻辑说明GFPGANer初始化时把模型加载进显存循环里只做前向推理这是批量处理提速的关键。has_alignedFalse表示输入是整图不是对齐后的人脸让内部自己检测only_center_faceFalse表示处理画面里所有人脸如果只关心主角可以设 True 提速paste_backTrue把恢复后的人脸贴回原图。参数channel_multiplier2控制网络宽度调大更精细但更吃显存一般保持 2 即可。3.3 人脸检测失败时的兜底策略批量跑的时候一定会遇到检测不到脸的情况——侧脸、遮挡、太小、太暗都会导致检测器罢工。这时候restored_img返回 None如果不做处理输出目录里就会缺文件后续流程容易断。常见做法是加一层兜底检测失败时直接把原图复制到输出目录并在日志里标记。这样至少保证文件数量对得上人工复查时能快速定位问题图。另一个思路是先用facexlib的检测器单独跑一遍把置信度低的图挑出来降低阈值再试一次但要注意阈值太低会引入误检把不是脸的区域也当脸处理。4. 避坑与排查那些让我重跑一整天的细节4.1 现象推理报错 CUDA out of memory原因批量处理时图片分辨率过大或者channel_multiplier设得太高显存扛不住。GFPGAN 在 2K 图上跑显存占用会飙升。解决先把输入图缩到长边 1024 以内再送进去如果还爆把channel_multiplier降到 1实在不行就分块处理或者换显存更大的卡。别硬扛爆显存之后进程可能留下僵尸占用得重启内核。4.2 现象恢复后的人脸完全不像本人原因GAN 先验权重过大模型自由发挥过头了。这种情况在输入质量极差时尤其明显因为先验没有足够的约束。解决换用保真度更高的模型版本比如 v1.3 比 v1.4 更保守或者降低放大倍数先恢复一轮再迭代。如果还是不像说明输入信息量已经低于模型能合理重建的下限这时候任何算法都救不回来只能换素材。4.3 现象背景和人脸拼接处有明显色差或接缝原因人脸区域和背景用了不同的处理管线亮度、色彩空间没对齐。解决开启--bg_upsampler realesrgan让背景也走一遍上采样或者后期用泊松融合把接缝抹平。我一般会在贴回之前对人脸区域边缘做一圈羽化过渡会自然很多。4.4 现象安装 basicsr 时报错 ModuleNotFoundError: No module named torch原因conda 环境和 pip 的路径没对齐或者 PyTorch 装到了 base 环境里。解决确认conda activate之后which python指向的是当前环境的解释器再重新装 PyTorch。别在没激活环境的情况下 pip install这是新手最常踩的坑。4.5 现象输出图片偏色整体发绿或发紫原因OpenCV 读图默认是 BGR 通道而模型内部可能按 RGB 处理通道顺序搞反了。解决读图后用cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转一下输出前再转回 BGR。这个坑很隐蔽因为图能出来只是颜色不对不仔细看容易忽略。5. 进阶技巧用分块推理把大图恢复做到可用前面说的都是常规流程但实际项目里经常遇到整张大合影人脸只占很小一块直接整图送进去要么爆显存要么人脸区域被过度压缩。我后来固定用一套分块推理加人脸对齐的组合拳效果稳定很多。思路是这样的先用facexlib的检测器把所有人脸框出来按框裁剪出人脸区域每张脸单独做恢复再把恢复后的人脸按原坐标贴回大图。这样每张脸都能拿到足够的像素预算不会被整图缩放拖累。代价是要处理贴回时的边缘融合但比起整图崩掉这点工作量值得。from facexlib.detection import init_detection_model import cv2 import numpy as np # 初始化检测器 detector init_detection_model(retinaface_resnet50, halfFalse) img cv2.imread(inputs/group_photo.jpg) # 检测人脸返回框和关键点 with torch.no_grad(): bboxes detector.detect_faces(img, conf_threshold0.5) for i, box in enumerate(bboxes): x1, y1, x2, y2 map(int, box[:4]) # 外扩 20% 留出上下文避免贴回时太生硬 w, h x2 - x1, y2 - y1 x1 max(0, x1 - int(w * 0.2)) y1 max(0, y1 - int(h * 0.2)) x2 min(img.shape[1], x2 int(w * 0.2)) y2 min(img.shape[0], y2 int(h * 0.2)) face_crop img[y1:y2, x1:x2] # 这里调用恢复器处理 face_crop再贴回 # 贴回时用高斯羽化边缘参数上conf_threshold0.5是检测置信度阈值调低能检出更多侧脸但误检也会增加外扩 20% 是为了给贴回留过渡区太小会有硬边太大可能把旁边的人脸框进来。羽化半径一般取人脸框短边的 5% 到 10%具体看分辨率。验证恢复效果不能只看一张图。我习惯准备一组对照原图、恢复图、以及一个用普通双三次插值放大的图三张并排看。如果恢复图在五官结构上明显比插值图合理说明模型起作用了如果只是更锐但结构还是错的那可能是锐化过度得回头调参数。从那以后我每次跑批量恢复都强制先拿三张典型图正脸、侧脸、小脸做小样本验证确认参数没问题再全量跑。这个习惯帮我省了至少两次通宵重跑。希望帮到你。本文还有配套的精品资源点击获取