PSFR-GAN使用指南

1. 目录结构及介绍

├── align_and_crop_dir.py        # 脸部对齐与裁剪脚本
├── data                         # 数据存放目录（需自行下载并放置）
│   ├── FFHQ                     # FFHQ数据集路径
│   └── ...
├── generate_mask.py             # 生成遮罩图的脚本
├── models                       # 模型相关代码
├── options                      # 配置选项模块
├── requirements.txt             # 项目所需Python包列表
├── test_dir                     # 测试图像目录示例
├── test_dir_align_results       # 对齐后脸部图片保存目录（测试步骤产生）
├── test_dir_enhance_results     # 增强处理结果保存目录（测试步骤产生）
├── test_enhance_dir_align.py    # 批量测试对齐图像增强脚本
├── test_enhance_dir_unalign.py  # 测试未对齐图像批量增强并粘贴回原图脚本
├── test_enhance_single_unalign.py  # 单张未对齐图像增强脚本
├── train.py                     # 训练主脚本
├── utils                        # 辅助工具函数
├── README.md                    # 项目说明文档
├── LICENSE                      # 许可证文件

• align_and_crop_dir.py: 处理源图像目录中的多张图片，进行人脸检测、对齐并保存。
• generate_mask.py: 用于生成解析掩模，若自动生成则需已训练好的FPN模型。
• train.py: 主要的训练脚本，用于训练PSFR-GAN模型。
• **test_**系列脚本: 提供不同场景下的测试功能，包括单张图片、未对齐图片目录和对齐图片目录的处理。
• models: 包含网络架构定义和相关模型逻辑。
• options: 定义了运行时的各种配置选项，如学习率、批次大小等。

2. 项目的启动文件介绍

训练启动：

使用train.py脚本来训练模型。基本命令示例如下：

python train.py --gpus 2 --model enhance --name PSFRGAN_v001 \
                --g_lr 0.0001 --d_lr 0.0004 --beta1 0.5 \
                --gan_mode 'hinge' --lambda_pix 10 --lambda_fm 10 --lambda_ss 1000 \
                --Dinput_nc 22 --D_num 3 --n_layers_D 4 \
                --batch_size 2 --dataset ffhq --dataroot /datasets/FFHQ \
                --visual_freq 100 --print_freq 10

这个命令会利用指定数量的GPU来训练一个名为PSFRGAN_v001的模型，参数配置涵盖了学习率、损失权重等关键设置。

测试启动：

对于测试，你可以使用test_enhance_single_unalign.py来进行单张图片的快速测试：

python test_enhance_single_unalign.py --test_img_path test_dir/test_hzgg.jpg --results_dir test_hzgg_results --gpus 1

此命令将处理一张图片，并将增强后的结果存放在指定的结果目录中。

3. 项目的配置文件介绍

配置主要通过train.py和脚本中的命令行参数进行，而不是独立的配置文件。options目录下的各种文件提供了预设的配置项，这些配置项可以通过脚本调用时的命令行参数进行覆盖或修改。例如，学习率(--g_lr和--d_lr)、优化器参数(--beta1)、损失函数权重(--lambda_pix, --lambda_fm, --lambda_ss)等都是在运行脚本时直接设定的。

通过这种方式，用户可以在不直接编辑代码的情况下灵活地调整实验设置，实现不同目的的模型训练与测试。