FacePSNet使用手册

FacePSNet 是一个轻量级的面部细节恢复方法，基于光度立体摄影技术(CVPR2020)。该项目旨在提供一个高效且适用于人脸细节重建的神经网络框架。以下是详细的使用指南，包括项目结构、启动文件以及配置文件的介绍。

1. 项目目录结构及介绍

FacePSNet
├── data                    # 数据存放目录
├── gen_normal_mask          # 第三方包，用于生成法线图的脚本所在目录
│   └── setup.py            # 安装脚本
├── images                  # 输入图像示例
├── output                  # 输出结果存放目录
├── samples                 # 样本数据目录
├── trained_models          # 预训练模型存放目录
│   ├── proxy.pth           # 代理估计网络模型
│   └── normal.pth.tar      # 法线估计网络模型
├── LICENSE                 # 许可证文件
├── NENet.py                # 网络组件之一
├── PENet.py                # 网络组件之二
├── README.md               # 项目说明文件
├── main.py                 # 主程序文件
├── preprocess_data.py      # 数据预处理脚本
├── sample_imgs.txt         # 示例图像列表文件
├── test_sample.sh          # 测试样本脚本
└── ShapefromNormal          # 面部模型重建相关代码
    ├── list.txt             # 正常图和代理参数路径列表（示例）
    ├── process_normal.cpp   # C++源码，用于从正常图计算深度
    ├── run.sh               # 运行重建流程的bash脚本
    ├── view_depth.cpp       # C++源码，用于显示深度图
    └── __init__.py          # （假设存在，虽然示例中未提及，但通常用于Python包初始化）

注意: gen_normal_mask 目录下的第三方包需手动安装，以生成必要的法线图。

2. 项目的启动文件介绍

• main.py 项目的核心执行文件，负责调用模型进行测试或推理。通过传入不同的命令行参数，您可以实现对特定输入图像的处理，包括利用预训练模型进行面部细节恢复。它包含了加载模型、处理输入数据以及运行重建过程的主要逻辑。

使用示例:

python main.py [gpu_id] [list] [output_path]

其中：

• [gpu_id] 指定使用的GPU编号。
• [list] 是一个文本文件，列出了要处理的所有图像的路径。
• [output_path] 是指定输出结果的位置。

3. 项目的配置文件介绍

FacePSNet的配置并非传统意义上的集中式配置文件（如 .ini, .yaml），而是通过代码中的参数设定、命令行参数或环境变量来进行。关键配置通常在 main.py 中直接定义，例如选择模型路径、设置GPU使用等。因此，重要配置点分散于以下几个方面：

• 模型路径: 在使用时直接通过脚本参数指定预训练模型的位置。
• 数据路径: 输入图像和输出结果的路径在运行脚本时作为参数传递。
• 额外配置: 如有特定的超参数调整需求，可能需要直接修改 main.py 或相应的处理函数。

注意事项

• 依赖项管理: 确保满足所有必需的软件环境和库，如PyTorch 1.3.1、NumPy、OpenCV等。
• 第三方包安装: 特别注意gen_normal_mask的安装步骤，遵循其提供的安装脚本。
• C++编译: 对于面部模型重建部分，需自行编译C++源码process_normal.cpp和view_depth.cpp。

遵循上述指导，您可以顺利地安装并使用FacePSNet进行面部细节的恢复工作。