GPEN实战教程：如何准备高质量-低质量图像配对数据集-洪萨配资

GPEN实战教程：如何准备高质量-低质量图像配对数据集

1. 引言

1.1 学习目标

本文旨在为使用GPEN人像修复增强模型的开发者和研究人员提供一套完整、可落地的数据准备流程。通过本教程，您将掌握：

如何构建用于监督式训练的高质量与低质量（HQ-LQ）人脸图像配对数据集
使用主流降质方法（如RealESRGAN、BSRGAN）生成逼真的低质量图像
数据预处理、对齐与组织的最佳实践
在CSDN星图镜像环境中快速验证数据集效果

完成本教程后，您即可基于自定义或公开数据集开展GPEN模型的微调或再训练任务。

1.2 前置知识

建议读者具备以下基础：

熟悉Python编程与基本图像处理操作（OpenCV/PIL）
了解深度学习框架PyTorch的基本用法
对超分辨率、图像修复等任务有一定理解

本教程基于CSDN提供的“GPEN人像修复增强模型镜像”环境展开，已预装所有必要依赖，无需额外配置。

2. 高质量-低质量图像配对原理

2.1 监督式训练的核心需求

GPEN采用监督学习范式进行训练，其核心是输入一对图像：

低质量图像（Low-Quality, LQ）：模糊、噪声、压缩失真等人像退化版本
高质量图像（High-Quality, HQ）：清晰、细节丰富的真实高分辨人像

模型目标是从LQ图像中恢复出接近HQ的细节，因此每张LQ必须有对应的HQ作为监督信号。

关键点：LQ与HQ必须严格对齐（同一人物、相同姿态、无裁剪偏移），否则会导致训练不稳定或伪影生成。

2.2 理想配对数据特征

特征	说明
语义一致性	LQ与HQ应为同一张原始图像的不同退化版本
空间对齐性	人脸关键点（眼、鼻、嘴）需精确对齐
退化多样性	包含多种模糊、噪声、下采样组合以提升泛化能力
分辨率匹配	推荐统一为512×512或1024×1024，符合GPEN默认输入尺寸

3. 数据准备全流程

3.1 准备高质量图像源

图像预处理步骤

import cv2 import os from facexlib.detection import RetinaFaceDetector def align_and_crop_face(image_path, output_dir, target_size=512): # 初始化人脸检测器 detector = RetinaFaceDetector() img = cv2.imread(image_path) bboxes, landmarks = detector.detect_faces(img) if len(landmarks) == 0: print(f"No face detected in {image_path}") return # 使用五点对齐（两眼、鼻尖、嘴角） aligned_face = detector.align_multi(img, landmarks[0], target_size=target_size) filename = os.path.basename(image_path) cv2.imwrite(os.path.join(output_dir, filename), aligned_face) # 批量处理示例 hq_source_dir = "/path/to/hq_images" output_hq_dir = "/path/to/aligned_hq" os.makedirs(output_hq_dir, exist_ok=True) for file in os.listdir(hq_source_dir): align_and_crop_face(os.path.join(hq_source_dir, file), output_hq_dir)

提示：facexlib已在镜像中预装，可直接调用RetinaFaceDetector实现精准对齐。

3.2 构建低质量图像（图像降质）

方法一：使用 BSRGAN 进行真实感退化（推荐）

BSRGAN 模拟真实相机退化过程（模糊+噪声+JPEG压缩），比简单双三次下采样更贴近实际场景。

# 克隆 BSRGAN 项目 git clone https://github.com/cszn/BSRGAN.git cd BSRGAN # 激活环境并运行降质脚本 conda activate torch25 python inference_bsrgan.py --input /path/to/aligned_hq --output /path/to/lq_images --scale 4

参数说明：

--scale 4：生成1/4尺寸的低质图像（如512→128）
可选--noise 10添加高斯噪声强度
支持批量处理整个文件夹

方法二：使用 RealESRGAN 内置降质模块

RealESRGAN 提供realesrgan-dataset-preprocess工具，支持多尺度退化。

# 安装 RealESRGAN（镜像中已包含） pip install realesrgan # 执行降质 realesrgan-dataset-preprocess \ -i /path/to/aligned_hq \ -o /path/to/lq_images \ --scale 4 \ --crop_size 512 \ --suffix "_lq"

该工具会自动应用随机模糊核、噪声和压缩，生成更具多样性的LQ图像。

3.3 构建配对数据结构

训练时需保证HQ与LQ文件名一致，便于按名称匹配读取。

dataset/ ├── train/ │ ├── hq/ │ │ ├── img001.png │ │ ├── img002.png │ │ └── ... │ └── lq/ │ ├── img001.png │ ├── img002.png │ └── ... └── val/ ├── hq/ └── lq/

文件名同步脚本示例

import os import shutil def sync_filenames(hq_dir, lq_dir, output_lq_dir): """确保LQ图像与HQ同名""" os.makedirs(output_lq_dir, exist_ok=True) hq_files = {f.split('.')[0]: f for f in os.listdir(hq_dir) if f.lower().endswith(('.png', '.jpg', '.jpeg'))} lq_files = {f.split('_lq')[0]: f for f in os.listdir(lq_dir) if '_lq' in f} for base_name, hq_file in hq_files.items(): if base_name in lq_files: src = os.path.join(lq_dir, lq_files[base_name]) dst = os.path.join(output_lq_dir, hq_file) # 使用HQ的文件名 shutil.copy(src, dst) else: print(f"Warning: No LQ found for {hq_file}") sync_filenames("/path/to/hq", "/path/to/lq_raw", "/path/to/lq")

4. 数据验证与可视化

4.1 配对图像对比查看

编写简单脚本检查对齐效果：

import cv2 import numpy as np def visualize_pair(hq_path, lq_path): hq = cv2.imread(hq_path) lq = cv2.imread(lq_path) # 上采样LQ以便对比 lq_up = cv2.resize(lq, (hq.shape[1], hq.shape[0]), interpolation=cv2.INTER_CUBIC) # 拼接显示 comparison = np.hstack([lq_up, hq]) cv2.imshow("LQ (left) vs HQ (right)", comparison) cv2.waitKey(0) cv2.destroyAllWindows() visualize_pair("dataset/train/hq/img001.png", "dataset/train/lq/img001.png")

4.2 使用GPEN推理初步测试

进入镜像环境，使用预训练模型测试LQ→HQ恢复效果：

cd /root/GPEN python inference_gpen.py --input dataset/train/lq/img001.png --output test_restore.png

观察输出图像是否保留自然肤色、纹理细节，避免过度平滑或伪影。

5. 训练配置建议

5.1 数据加载设置

修改options/train/GPEN_512.yml中的数据路径：

datasets: train: name: FFHQ type: PairedImageDataset dataroot_gt: /path/to/dataset/train/hq dataroot_lq: /path/to/dataset/train/lq filename_tmpl: '{}' io_backend: type: disk

5.2 关键训练参数调整

参数	推荐值	说明
`lr_g`	2e-4	生成器学习率
`lr_d`	1e-4	判别器学习率
`warmup_iter`	3000	学习率预热步数
`total_iter`	300000	总迭代次数
`batch_size`	8~16	根据GPU显存调整
`size`	512	输入图像尺寸

启动训练：

python train.py -opt options/train/GPEN_512.yml

6. 总结

6.1 核心要点回顾

数据质量决定上限：HQ图像必须清晰、对齐；LQ应模拟真实退化。
配对一致性至关重要：文件名、空间位置、人脸姿态必须严格对应。
推荐使用BSRGAN/RealESRGAN降质：相比传统方法更能提升模型鲁棒性。
善用镜像内置工具链：facexlib实现精准对齐，inference_gpen.py快速验证效果。

6.2 下一步建议

尝试在FFHQ子集上微调GPEN，观察不同退化策略的影响
加入更多极端姿态或遮挡样本，提升模型泛化能力
探索无监督或自监督方式减少对配对数据的依赖

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，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。

GPEN实战教程：如何准备高质量-低质量图像配对数据集