简介
图像放大算法大致有两种：传统图像放大算法（Lantent、Lanczos、Nearest）
AI图像放大算法（4x-UltraSharp、BSRGAN、ESRGAN等）
传统图像放大算法是基于插值算法，计算出图像放大后新位置的像素值。AI图像放大算法，比一般的传统图像放大算法效果更好。
推荐放大算法 ESRGAN系列 和 4X-UltraSharp
R-ESRGAN 4x+ 适用于写实图片，ESRGAN 系列算法放大后会对细节进行重绘。如果单纯进行放大，推荐使用 ESRGAN_4x，适用于照片写实类。
R-ESRGAN 4x+ Anime6B 适用于二次元类图片或二三次元混合图片
对比
模型
GPEN (Generative Prior Embedded Network)、GFPGAN (GFP-Guided Photo Face Restoration) 和 CodeFormer 是三个在图像处理和修复领域具有代表性的深度学习模型。它们虽然都涉及图像恢复和增强
GPEN :
- 任务焦点：GPEN 主要用于超分辨率（SR）任务，特别是基于单幅低分辨率图像生成高分辨率图像。
- 技术特点：GPEN 引入了一种新颖的“生成性先验嵌入”（Generative Prior Embedding, GPE）模块，通过学习一个潜在空间，将低分辨率图像映射到高维空间，再通过解码器生成高分辨率图像。这种方法结合了传统超分辨率方法中的先验知识与生成对抗网络（GAN）的优势。
- 优势：GPEN 能够有效地捕捉图像的结构和纹理信息，生成细节丰富、自然逼真的高分辨率图像。其生成性先验嵌入模块有助于提高模型的泛化能力和鲁棒性。对于图像中人脸很小的情况，GPEN的表现最优秀。还有就是GPEN背景增强的效果最好。
- 劣势：可能在处理极端退化或非常规分辨率提升比例的任务时，性能不如专门为此设计的模型。此外，GPEN 的训练可能比其他模型更为复杂，需要对生成性先验嵌入模块进行细致调整。也就是说，当图像中人脸极不清晰的时候，GPEN的保真度很差，与原人脸相差太大。
GFPGAN :
- 任务焦点：GFPGAN 特别专注于人脸照片的恢复，尤其是老照片、低分辨率或损坏人脸的修复。
- 技术特点：GFPGAN 利用预训练的生成对抗网络（GAN）模型（如StyleGAN）作为先验知识，通过引导滤波器预测网络（Guided Filter Prediction Network, GFPNet）来指导人脸修复过程。它还引入了感知损失、身份保持损失等多任务损失函数，确保恢复的人脸既保留原始身份特征，又具有高清晰度和自然外观。
- 优势：GFPGAN 在人脸恢复任务上表现出色，能够恢复极高细节的人脸图像，同时保持身份一致性。其利用预训练GAN模型作为先验知识的方法有效利用了大规模无监督数据，提高了恢复效果。经过长期使用，个人感觉GFPGAN的面部增强效果和保真度之间的平衡，是把握的最好的，而且速度最快。
- 劣势：GFPGAN 专注于人脸修复，对于非人脸或非人脸主导的图像恢复任务可能效果不佳。此外，由于涉及到复杂的多任务损失和预训练模型引导，其训练和应用可能较为复杂。
背景增强效果很差，修复后的脸部过渡处理不好，有明显边界。
CodeFormer:
- 任务焦点：CodeFormer 主要面向图像修复、去噪、超分辨率等更广泛的图像恢复任务，尤其擅长处理含有结构信息的图像（如文本、线条、边缘）。
- 技术特点：CodeFormer 结合了Transformer架构与编解码器结构，通过自注意力机制捕获全局依赖关系，并通过局部卷积保持局部细节。它使用多层感知机（MLP）作为解码器，生成图像补丁的像素值。
- 优势：CodeFormer 由于采用了Transformer架构，能够有效地处理长距离依赖关系，特别适合于恢复含有明显结构信息的图像。其通用性强，能够在多种图像恢复任务上取得良好效果。CodeFormer修复后的面部过渡自然，无明显边界。
- 劣势：相较于专门为特定任务（如人脸恢复）设计的模型，CodeFormer 可能需要更多的训练数据和计算资源才能达到最佳性能。对于高度专业化的任务（如人脸恢复中的身份保持），可能需要额外的技术调整或损失函数来增强针对性。速度相比GFPGAN略显慢。
