一、前述

人脸修复(face restoration)任务，起源于人脸超分辨率(face super resolution)，可以算是从超分出来的一个分支。作为图像低级任务(low level)中的一个，主要目的就是在低清、受损画质中尽可能的恢复人脸细节。与传统的全图超分的区别在于，人脸是有明确的先验知识在里面的，可以利用这些先验增加模型的信息量，尽可能的恢复人脸的细节。这些先验可以包括面部特征，也称为几何先验（Geometric Prior），有基于高清参考人脸的先验（Reference Prior） ，有基于强的生成器先验（Generative Prior），也有基于离散的codebook的先验（Vector Quantized Codebook Prior），当然，还有近几年爆火的diffusion，作为强的文生图基本模型，他可以作为一种扩散先验（Diffusion Prior）。
论文整理链接：

https://blog.csdn.net/weixin_43707042/article/details/147993213?spm=1011.2124.3001.6209

或

https://github.com/qianx77/Face_Restoration_Ref

整理下各个先验个人觉得比较有代表性的论文。

二、不同的先验及代表性论文

2.1 几何先验（Geometric Prior）

要回答什么是几何先验，可以先问一下，人脸超分比全图超分优势点在哪里？直观感受就是人脸有比较统一的分布规律，例如，正常的人脸都有一个嘴巴、一个鼻子、一双眼睛、有眉毛、有额头等等，这些器官在每个人身上都是不一样的，但是大体形状又是一样的。因此可以利用这些特点来增强人脸的细节。这方面的代表性论文有2018 年 CVPR的FSRNet，利用额外的网络结构预测parsingmap，然后利用parsingmap辅助人脸恢复。

在2023年之前我觉得这方面效果最好的当属2021 CVPR PSFRGAN 主要思想其实是借鉴PGGAN、Stylegan这种渐进式生成的启发，从小尺度到大尺度生成图像，然后在这期间使用LQ image 和 parsingmap作为引导，利用style transformation block，将信息嵌入backbone。

但是我在实际使用中发现，如果LQ的图像太差，影响了parsingmap的提取，错误的parsingmap会对整体恢复效果产生不好的影响。

2.2 生成式先验（Generative Prior）

生成式先验得益于stylegan的发展，stylegan是一个强大的生成器，可以生成十分逼真的图像，如果使用人脸数据进行训练(FFHQ)，那么将会生成很多生活中不存在的面孔，且十分逼真。生成式先验中的人脸恢复的想法就是，既然你的生成器这么厉害，可以生成逼真的图像，那我直接把你的生成器拿过来用，作为我的解码器，那不就是可以恢复十分逼真的纹理了？
想法确实就是这样，但是还有一个问题，就是LQ信息怎么嵌入？如果只是单纯的生成，那我随机数给生成器就行了，但是现在做的是恢复任务，增加了一个LQ信息，怎么处理好这个LQ信息？
可以预想到，LQ利用的最优结果是：模型输出结果中的人脸id信息完全遵从LQ，然后又可以恢复逼真的细节。

GFPGAN！ 腾讯作品，生成式先验的集大成者! 目前这个算法在GitHub上已经斩获30+k的star了，是一个非常经典且恢复效果泛化性挺好的一个算法。像上段中描述的GAN预训练模型已经是可以作为解码器了，应该考虑的是如何将LQ信息进行嵌入。

GFPGAN多种策略来使用LQ信息，
1、首先，LQ需要经过一个简单的UNet结构，这个UNet结构作为一些降质的去除(Degradation Removal)，这个结构的目的就是将原始LQ的一些噪声模糊去除，确保进行到预训练GAN中的信息是干净的。因此有个额外的restoration loss 来监督这个过程。
2、简单UNet结构中的解码器特征和GAN预训练模型中的特征进行空间特征的变换(spatial feature transform)。主要目的是将干净的解码器特征和stylegan2生成器特征结合在一起。
多说一句，GFPGAN有多个版本v1、v1.2、v1.3、v1.4.效果都不太一样。不知道是数据原因还是啥。反正我最后通过一些方式只能复现出1.4版本的效果。

GPEN阿里作品，另外一个经典作品，也是2021年产出的。

GPEN，我个人认为是一个非常简便的结构，甚至可以直接看出是一个UNet结构+w空间的调控，他没有GFPGAN中对于LQ信息的预处理，同时LQ编码器特征嵌入stylegan结构的过程也不一样，采用的是将LQ特征作为noise嵌入生成器。然后由于结构发生一点改变，并没有使用预训练模型，而是端对端直接训练。
由于结构比较简单，且缺少对LQ降质的去除，不管在我的测试数据或者复现中，效果都比不上GFPGAN，当然，对于轻度降质来说，其效果其实还不错。

2.3 codebook先验（Vector Quantized Codebook Prior）

我们知道stylegan中的w空间是连续的，因此相同的GT，不同的退化，可能产生的差距会很大，模型也会增加一些模棱两可的困境，因此Vector Quantized Codebook来解决这个问题。最经典最能打的论文，莫过于CodeFormer！

这个文章首先先利用高清图像HQ生成codebook，然后LQ经过encoder之后，利用transformer结构找到对应的码本索引，从而实现高清图像的恢复。由于前后仅有码本约束会让结果产生极大的不确定性，因此引入CFT结构和调控因子W，来控制LQ信息的嵌入，让用户可以选择fidelity 或者 quality。

第二个经典可能是VQFR

讲真虽然挺火，但是我论文看过印象不深，可能是因为我用预训练模型测了我数据，发现效果并不惊艳。

2.4 扩散先验 （Diffusion Prior）

和GAN先验类似，就是使用强大的生成能力来辅助人脸的恢复，两篇比较经典的应该是2023 NeurIPS的PGDiff 以及2024 TCSVT 的BFRffusion，但是这两篇我在自己数据集测试中发现效果一般。
远不如real world image super resolution中的DiffBIR 和 OSEDiff。后面这两个直接使用ffhq训练就吊打上面两个了。

上图是DiffBIR 的模型结构，他其实将恢复分割成两个子任务，一个是高保真，一个是增加细节，因此前面一个网络可以仅仅使用L1损失来确保内容是保真但是模糊的，然后再用扩散在保真的图像中增加细节。
OSEDiff 则是单步扩散，已经落地在OPPO手机上了。

2.5 参考人脸的先验（Reference Prior）

这个为啥写在最后，因为我发现这个挺有意思的，一开始我只追溯到2022年，发现这部分的论文基本都是CNN结构，而且很多都是Xiaoming Li 这个大佬的文章，例如GFRNet 、DFDNet、ASFFNet、DMDNet，说实在的，面部细节确实是一般。
后面有这个需求之后，发现后面还是挺多相关工作的，甚至变成了Personalized Face Restoration 这种特殊的子领域。我认为其中我跑完觉得结果比较好的是adobe 2024 CVPR gen2res，
通过个人相册或者生成的相册来约束扩散模型的生成空间，我觉得效果还挺不错的，但是时序上可能会抖动。