Face restoration (восстановление лиц)
Face restoration — восстановление деталей лица на размытых, зашумлённых или повреждённых фото с помощью нейросетей. Модель детектирует лицо, реконструирует черты по обученному prior и вклеивает результат обратно (paste-back).
Face restoration (восстановление лиц) — задача реконструкции чёткого, детализированного лица из деградированного изображения: размытого, зашумлённого, сжатого JPEG, старого сканированного или снятого в низком разрешении. В отличие от общего super-resolution, восстановление лиц опирается на facial prior — обученное знание о структуре человеческого лица (симметрия, расположение глаз, форма губ), что позволяет достраивать детали даже там, где в исходнике информации почти нет.
Как работает конвейер восстановления
- Детекция и выравнивание — детектор (RetinaFace, S3FD) находит лица и приводит их к каноничной ориентации 512×512
- Реконструкция — нейросеть восстанавливает черты, используя face prior (StyleGAN2, codebook VQVAE или rectified flow)
- Paste-back — восстановленное лицо аккуратно вклеивается обратно в исходное фото с сохранением фона и тела
Такой пайплайн обрабатывает каждое лицо на групповом снимке отдельно, поэтому качество не зависит от числа людей в кадре.
Ключевые модели 2021–2026
- GFPGAN (2021) — быстрая, StyleGAN2 prior, ~30 мс/лицо, но склонна к «глянцевости»
- CodeFormer (2022) — VQVAE + Transformer, управляемый баланс fidelity-quality, FID 5.1
- PMRF (2025) — rectified flow, FID 3.8, лучший открытый результат по метрикам
Fidelity против quality — главный компромисс
Центральная дилемма восстановления лиц — баланс между fidelity (верностью оригиналу, сохранением идентичности) и quality (фотореалистичностью, гладкостью кожи). Агрессивная реставрация делает лицо красивым, но «чужим» — теряется сходство. Для семейного архива, где важно узнать предка, приоритет — fidelity; для художественного улучшения допустима большая quality. Именно поэтому у CodeFormer есть управляющий параметр w.
Восстановление лиц в PhotoPanda
Инструмент восстановления лиц в PhotoPanda запускает PMRF как основную модель и CodeFormer как fallback при сомнительном результате, а при апскейле старых фото комбинируется с увеличением разрешения на SeedVR2. Для сканов семейного архива рекомендуется низкий вес модификации, чтобы сохранить 95%+ идентичности лица.