CodeFormer

CodeFormer restauriert beschädigte Gesichtsbilder mit einem erlernten visuellen Prior und einem Transformer. Das Ergebnis kann deutlicher erkennbar wirken, doch neu erzeugte Gesichtsdetails belegen nicht, was im ursprünglichen Bild vorhanden war. Diese Bewertung betrifft eine restaurierte Kopie für eine erlaubte, nicht kommerzielle Verwendung, bei der Quelle und Änderungen geprüft werden können. Für das offizielle Projekt gilt die S-Lab License 1.0; sie ist keine allgemeine Erlaubnis für kommerzielle Nutzung.

Dies ist eine quellenbasierte Bewertung, kein Bericht über ausgeführte Bildtests. Wir haben weder Modellinferenz noch Laufzeit, GPU-Speicher oder einen gehosteten Dienst getestet. Die folgende Familienfoto-Prüfung ist ein Vorschlag mit noch leeren Ergebnissen.

Festlegen, was das restaurierte Porträt bewahren muss

Blind Face Restoration ist ein mehrdeutiges Rekonstruktionsproblem. CodeFormer nutzt ein gelerntes diskretes Codebuch als visuellen Prior und sagt Codes mit einem Transformer voraus. Ein plausibles Gesicht kann deshalb Merkmale enthalten, die das beschädigte Original nicht belegt. Forschungsartikel zu CodeFormer.

Der Forschungsartikel stammt von Shangchen Zhou, Kelvin C. K. Chan, Chongyi Li und Chen Change Loy, die dem S-Lab der Nanyang Technological University zugeordnet sind. Diese Zuordnung beschreibt die Forschungsquelle und ist keine Empfehlung für einen bestimmten Einsatz.

Markiere vor der Bearbeitung Kopfhaltung, Mundform, Ausdruck, auffällige Merkmale und die Grenze zwischen Gesicht und Haar. Bewahre den Scan unverändert und speichere jede Bearbeitung unter einem anderen Namen. Ein schärferes Auge oder ein neu sichtbarer Zahn löst die Unsicherheit der Quelle nicht.

Entscheide beim Familienporträt ausdrücklich, ob ein leicht weiches, aber wiedererkennbares Gesicht dem Zweck besser dient als ein schärferes Gesicht mit verändertem Ausdruck. Eine mit der Person vertraute Person kann Abweichungen erkennen. Ihre Zustimmung zur Ähnlichkeit macht erzeugte Details trotzdem nicht zu einem historischen Beleg.

Nutze diesen Ablauf nicht, um eine unbekannte Person zu identifizieren, Beweisdetails zu rekonstruieren oder Authentizität zu bestätigen. Wenn jede Einstellung ein wichtiges Merkmal verändert, ist Ablehnen ein gültiges Ergebnis.

Gesichtsausschnitt und Gesamtbild getrennt prüfen

Mit --has_aligned behandelt das offizielle Skript die Eingabe als ausgerichteten Gesichtsausschnitt und skaliert ihn auf 512 × 512. Ohne diese Option erkennt und richtet es Gesichter aus, restauriert die Ausschnitte und kann sie wieder in das Gesamtbild einsetzen. Der Standarddetektor ist retinaface_resnet50; --only_center_face verändert die Auswahl. Offizielle Inferenzimplementierung.

Prüfe zuerst, ob das beabsichtigte Gesicht ausgewählt wurde. In einem Gruppenbild kann die Beschränkung auf das mittlere Gesicht eine wichtige Person ausschließen. Eine Änderung des Fidelity-Gewichts repariert keine falsche Auswahl.

Bewerte anschließend Ausschnitt und Rückeinfügung getrennt. Ein guter Ausschnitt kann im Gesamtfoto unnatürlich wirken, wenn Schärfe, Farbe oder Haaransatz nicht zur Umgebung passen. Optionale Real-ESRGAN-Hintergrund- und Gesichtsverbesserung sind getrennte Stufen und keine Voraussetzung für jede Restaurierung. Nutzungshinweise des Repositorys.

Prüfe den restaurierten Ausschnitt sowohl in seiner Arbeitsgröße als auch im Gesamtbild bei der vorgesehenen Darstellungsgröße. Beginne ohne optionale Real-ESRGAN-Stufen, damit eine Veränderung dem richtigen Arbeitsschritt zugeordnet werden kann. Beispiele für ausgerichtete Gesichter und Gesamtbilder erfüllen unterschiedliche Zwecke und sind keine austauschbaren Testbedingungen.

Fidelity-Einstellungen mit derselben Quelle vergleichen

Das dokumentierte Gewicht reicht von 0 bis 1; die Kommandozeile startet bei 0,5. Kleinere Werte tendieren laut Repository zur visuellen Qualität, größere zur Fidelity. Das ist keine universelle Rangfolge. Halte Eingabe, Gesichtsauswahl und weitere Verarbeitung konstant und ändere jeweils nur das Gewicht.

Vergleiche Augen, Mund, Ausdruck und charakteristische Merkmale mit der Quelle, statt nur die Schärfe zu bewerten. Ein Wert von 1 verspricht keine unveränderte Kopie, denn die gelernte Restaurierung bleibt aktiv. CodeFormer-Architektur.

Speichere jedes Gewicht in einem eigenen Ausgabeverzeichnis und notiere den Wert beim Ergebnis. Wenn alle Einstellungen ein wichtiges Merkmal verändern, lehne alle Ableitungen ab und halte den Grund fest. Eine spätere Hochskalierung oder Retusche darf dasselbe abgelehnte Gesicht nicht unbemerkt wieder einführen.

Lizenz und tatsächlichen Zugangsweg prüfen

Die offizielle S-Lab License 1.0 erlaubt bestimmte nicht kommerzielle Nutzungen und Weitergaben unter Bedingungen. Für kommerzielle Nutzung verweist sie an die Beitragenden. Stelle CodeFormer deshalb nicht als Apache-2.0-Projekt oder pauschal kommerziell nutzbar dar. Offizielle S-Lab License.

Bei einer erlaubten Weitergabe müssen die vorgeschriebenen Lizenz- und Urheberrechtshinweise erhalten bleiben. Der Name der Beitragenden darf nicht ohne vorherige schriftliche Zustimmung zur Werbung oder Befürwortung eines abgeleiteten Produkts verwendet werden. Prüfe den vollständigen Lizenztext für den konkreten Einsatz, statt diese Zusammenfassung als Rechtsfreigabe zu behandeln.

Öffentlich lesbarer Quellcode, ein Checkpoint-Verweis und ein gehosteter Dienst sind verschiedene Zugangsformen. Auch die Bezahlung eines Anbieters schafft nicht automatisch die erforderlichen Rechte am zugrunde liegenden Modell. Nutzungsbedingungen des Anbieters und Projektlizenz müssen getrennt geprüft werden.

Der offizielle Downloader verweist auf v0.1.0/codeformer.pth; wir haben diese Binärdatei nicht heruntergeladen oder geprüft. Halte für einen echten Versuch die festgeschriebene Repository-Revision b33cc7d639d6545bfcccc7e0bc6ae51f24e79c2b, die offizielle Herkunft des Checkpoints und eine lokal berechnete Prüfsumme fest. Ersetze die Datei nicht stillschweigend durch einen gleichnamigen Mirror. Bedingungen, Datenschutz, Preise und Verfügbarkeit gehosteter Angebote müssen separat geprüft werden. Offizieller Checkpoint-Downloader.

Die Verfügbarkeit des Projekts klärt weder die Rechte am Eingabebild noch die Einwilligung zur Veröffentlichung des Porträts oder die Bedingungen optionaler Abhängigkeiten. Verwende nur Material und Verarbeitungsschritte, für die die erforderlichen Rechte geklärt sind.

Einen begrenzten Familienfoto-Test planen

Verwende eine erlaubte Kopie eines Scans und ein weniger beschädigtes Kontrollbild. Notiere den geplanten Zweck, etwa eine restaurierte Kopie zum Betrachten im Familienkreis, sowie Merkmale, die erkennbar bleiben müssen. Bewahre die Originalabmessungen und protokolliere jeden Zuschnitt oder jede Neuabtastung vor der Inferenz. Halte auch Umgebung, Geräteauswahl und vollständige Befehle fest. Die Installationsanleitung ist keine Kompatibilitätsgarantie für jede aktuelle Systemkombination.

Das Kontrollbild dient einer Diagnose: Es hilft zu unterscheiden, ob ein Fehler vor allem mit der starken Beschädigung oder mit Gesichtsauswahl, Ausrichtung und Verarbeitung zusammenhängt. Es ist erst dann eine gemessene Vergleichsbasis, wenn beide Bilder unter dokumentierten, gleichen Bedingungen tatsächlich verarbeitet wurden.

Bereite nach den Anweisungen der festgeschriebenen Revision eine isolierte Umgebung vor. Erfasse die tatsächlich installierten Versionen, das gewählte Gerät, die vollständigen Logs und die exakten Ein- und Ausgabepfade. Vergewissere dich vor dem Start, dass der vorgesehene Checkpoint und alle benötigten Abhängigkeiten vorhanden sind. Löse Einrichtungsfehler, bevor du Bilder vergleichst.

Die folgenden Befehle wurden nicht ausgeführt. Sie lassen die optionalen Real-ESRGAN-Schalter aus, behalten aber die separate Standardausgabeskalierung --upscale 2 bei.

Die Pfade inputs/family-photo.png und results/... sind nur Beispiele. Ersetze sie durch deine eigene zulässige Eingabekopie und getrennte Ausgabeverzeichnisse, damit keine Quelldatei überschrieben wird.

python inference_codeformer.py -i inputs/family-photo.png -o results/family-w0 -w 0
python inference_codeformer.py -i inputs/family-photo.png -o results/family-w05 -w 0.5
python inference_codeformer.py -i inputs/family-photo.png -o results/family-w1 -w 1

Prüfe nach einem Lauf zuerst Gesichtsauswahl und Ausrichtung, vergleiche danach jeden restaurierten Ausschnitt mit der Quelle und untersuche zuletzt das rückeingesetzte Gesamtbild. Bewahre verworfene Ausgaben ebenso wie eine bevorzugte Ableitung auf. Füge Hintergrund- oder Gesichtsverbesserung erst nach der Auswahl einer akzeptablen Restaurierung als getrennten, protokollierten Vergleich hinzu.

Eine gesichtsspezifische Abnahme verwenden

Lege vor einer größeren Sammlung ein Korrekturbudget fest. Zähle Prüfung, verworfene Ausgaben und manuelle Randkorrekturen mit. Attraktivität allein ist kein Abnahmekriterium.

Ein attraktives Gesicht mit verändertem wichtigem Merkmal fällt durch; ein konservatives Ergebnis kann trotz verbleibender Unschärfe brauchbar sein. Definiere die Toleranz für das konkrete Foto und seine Empfänger statt über ein allgemeines Schärfeziel. Lasse Beobachtungen zu Aufwand und Korrekturen leer, bis sie tatsächlich gemessen wurden.

Das erste falsche Zwischenprodukt finden

Das Skript kann einen Fehler bei der Restaurierung eines einzelnen Gesichts abfangen und stattdessen den Eingabeausschnitt speichern. Eine vorhandene Ausgabedatei beweist daher keine erfolgreiche Inferenz. Prüfe Log, Auswahl und restaurierten Ausschnitt.

Diese Zeilen sind Diagnosehypothesen und Prüfschritte, keine gemessenen Ausfallraten. Bezeichne nicht jedes unveränderte Gesicht automatisch als Ausnahme und schreibe nicht jedes Randproblem dem Upsampler zu. Suche anhand der gespeicherten Artefakte die früheste relevante Abweichung und leite erst daraus die nächste Korrektur ab.

Ressourcen für den gesamten Auftrag messen

Der Gerätehelfer kann je nach Prüfungen MPS, CUDA oder CPU auswählen. Diese Codepfade beweisen keine erfolgreiche Ausführung auf deinem System. Es gibt hier keine getestete Mindestmenge VRAM, universelle Laufzeit oder Durchsatzgarantie. Offizieller Gerätehelfer.

Trenne Download und Start von wiederholter Inferenz. Erfasse Bildgröße, Gesichtsanzahl, Detektor, Gewicht, optionale Stufen, Hardware, Speichern und manuelle Prüfung. Der Videopfad sammelt Ein- und Ausgabeframes im Speicher; behandle ihn nicht als nachgewiesenen begrenzten Stream.

Falls Video erforderlich ist, beginne mit einem kurzen Clip, dessen Verarbeitung erlaubt ist. Prüfe benachbarte Frames ausdrücklich darauf, ob Identität, Ausdruck und charakteristische Merkmale stabil bleiben, und protokolliere die Speichernutzung. Ein überzeugender Einzel-Frame belegt keine zeitliche Konsistenz.

Nächsten Schritt aus dem Nachweis wählen

Wenn eine zulässige Anzeigekopie mit vertretbarer Korrektur entsteht, bewahre Quelle, Einstellungen und Bearbeitung zusammen auf. Andernfalls wähle einen besseren Scan, manuelle Retusche oder eine begrenzte Korrektur, die unsichere Details nicht erfindet. Diese Bewertung bestimmt keinen Sieger zwischen CodeFormer und GFPGAN und reproduziert keine Benchmarks.

Wähle das Verfahren nach dem ersten belegten Problem. Ist nur ein Gesicht beschädigt, kann eine begrenzte Gesichtsrestaurierung mit anschließender Prüfung passen. Ist das ganze Bild lediglich klein, teste gewöhnliche Hochskalierung getrennt. Bei Kratzern oder Schäden außerhalb von Gesichtern ist eine Reparatur ohne Gesichtsmodell oft passender. Ist der isolierte Ausschnitt akzeptabel, aber die Rückeinfügung schlecht, bearbeite die Rekombination, statt weitere Gesichtsdetails zu erzeugen.

Weitere Kategorien findest du im Modellverzeichnis. Vor einer Sammlung oder einem Dienst müssen Berechtigungen, echte Arbeitslast und Abnahmeergebnisse geklärt sein.