老照片修复训练数据构建全攻略：从数据准备到模型训练的7步实战指南

【免费下载链接】Bringing-Old-Photos-Back-to-Life Bringing Old Photo Back to Life (CVPR 2020 oral) 项目地址: https://gitcode.com/gh_mirrors/br/Bringing-Old-Photos-Back-to-Life

Bringing Old Photos Back to Life是一个基于深度学习的老照片修复项目，能够自动修复老照片中的划痕、褪色和损坏，让珍贵的历史影像重获新生。本文将详细介绍如何构建高质量的训练数据集并完成模型训练，即使是AI新手也能轻松掌握。

为什么高质量训练数据对老照片修复至关重要？

训练数据的质量直接决定了老照片修复模型的效果。一个精心构建的数据集能够让AI学习到各种老照片的退化模式，包括：

• 物理损伤：划痕、折痕、污渍和撕裂
• 化学退化：褪色、变色和氧化
• 扫描 artifacts：噪点、模糊和对比度问题

老照片修复效果对比：左侧为受损原图，右侧为修复后效果，展示了模型在去除划痕和恢复细节方面的强大能力

老照片修复训练数据集的核心组成

1. 原始老照片收集

理想的训练数据集应包含至少1000张不同类型的老照片，建议从以下来源收集：

• 个人收藏：家族老照片和历史相册
• 公共档案：图书馆、博物馆的开放资源
• 历史数据库：如美国国会图书馆历史照片集

项目提供了示例数据集在test_images/old/和test_images/old_w_scratch/目录，包含多种类型的受损老照片，可作为初始训练样本。

典型的老照片样本，展示了褪色和轻微损坏的历史影像

2. 高质量参考图像

为了训练模型恢复照片质量，需要收集清晰的现代照片作为参考，包括：

• 不同年龄段的人脸照片（用于面部修复模块）
• 各种场景的风景和建筑照片（用于全局修复）
• 不同光照条件下的图像（帮助模型学习光照恢复）

3. 合成退化图像

由于真实受损老照片有限，项目采用了合成退化技术来扩充训练数据。通过以下方式模拟老照片退化：

# 代码逻辑位于Global/data/online_dataset_for_old_photos.py
def add_degradation(image):
    # 1. 添加随机划痕
    # 2. 模拟褪色和色彩偏移
    # 3. 添加噪点和模糊
    # 4. 模拟折痕和污渍
    return degraded_image

数据准备的完整步骤

步骤1：搭建基础环境

首先克隆项目仓库并安装依赖：

git clone https://gitcode.com/gh_mirrors/br/Bringing-Old-Photos-Back-to-Life
cd Bringing-Old-Photos-Back-to-Life
pip install -r requirements.txt

步骤2：收集和整理原始数据

创建以下目录结构存放训练数据：

dataset/
├── original_photos/      # 原始老照片
├── clean_references/     # 高质量参考图像
├── masks/                # 划痕和损坏区域掩码
└── synthetic_degraded/   # 合成退化图像

步骤3：生成训练文件

使用项目提供的工具将分散的图像文件整合为训练所需的大文件：

cd Global/data/
python Create_Bigfile.py

注意：需要根据实际数据路径修改Create_Bigfile.py中的文件路径配置

步骤4：数据预处理与增强

项目采用多种数据增强技术提高模型泛化能力：

• 随机裁剪和缩放（256×256像素）
• 随机旋转和翻转
• 颜色抖动和对比度调整
• 随机添加不同类型的退化效果

相关代码实现位于Global/data/base_dataset.py和Face_Enhancement/data/face_dataset.py。

模型训练的详细流程

阶段1：训练域A和域B的VAE模型

项目采用双域转换网络架构，首先需要分别训练两个域的VAE模型：

# 训练域A模型（高质量图像到退化图像）
python train_domain_A.py --use_v2_degradation --continue_train --training_dataset domain_A \
    --name domainA_SR_old_photos --label_nc 0 --loadSize 256 --fineSize 256 \
    --dataroot [your_data_folder] --no_instance --resize_or_crop crop_only \
    --batchSize 100 --gpu_ids 0,1,2,3 --self_gen --nThreads 4

# 训练域B模型（退化图像到高质量图像）
python train_domain_B.py --continue_train --training_dataset domain_B \
    --name domainB_old_photos --label_nc 0 --loadSize 256 --fineSize 256 \
    --dataroot [your_data_folder] --no_instance --resize_or_crop crop_only \
    --batchSize 120 --gpu_ids 0,1,2,3 --self_gen --nThreads 4

阶段2：训练域间映射网络

在VAE模型基础上，训练连接两个域的映射网络：

# 训练无划痕修复模型
python train_mapping.py --use_v2_degradation --training_dataset mapping \
    --use_vae_which_epoch 200 --continue_train --name mapping_quality \
    --loadSize 256 --fineSize 256 --dataroot [your_data_folder] \
    --batchSize 80 --gpu_ids 0,1,2,3 --nThreads 8 \
    --load_pretrainA [ckpt_of_domainA_SR_old_photos] \
    --load_pretrainB [ckpt_of_domainB_old_photos]

# 训练带划痕修复模型
python train_mapping.py --no_TTUR --NL_res --random_hole --use_SN \
    --training_dataset mapping --NL_use_mask --name mapping_scratch \
    --loadSize 256 --fineSize 256 --dataroot [your_data_folder] \
    --batchSize 36 --gpu_ids 0,1,2,3 --nThreads 8 \
    --load_pretrainA [ckpt_of_domainA_SR_old_photos] \
    --load_pretrainB [ckpt_of_domainB_old_photos] \
    --irregular_mask [absolute_path_of_mask_file]

阶段3：人脸增强模型训练

针对老照片中的人脸区域进行专项优化：

cd Face_Enhancement/
python train.py --name face_enhancement --model pix2pix \
    --dataroot [face_dataset_path] --direction AtoB \
    --lambda_L1 100 --no_lsgan --norm batch

人脸修复流程图：展示了从检测、对齐到增强的完整流程，使用卷积和实例归一化等技术提升面部细节

模型训练的关键参数调整

1. 批处理大小（batchSize）

• 初始训练：建议使用较小的批处理大小（如16-32）
• 稳定后：可增加到64-128（根据GPU内存调整）
• 人脸修复模块：建议使用较小的批处理大小（如8-16）

2. 学习率调度

• 初始学习率：2e-4
• 采用余弦退火调度，每100个epoch衰减一半
• 映射网络训练时可使用较小学习率（1e-5）

3. 损失函数权重

• L1损失权重：100
• 感知损失权重：10
• GAN损失权重：1
• KL散度权重：1

训练结果评估与优化

定量评估指标

• PSNR（峰值信噪比）：衡量图像保真度，越高越好
• SSIM（结构相似性）：衡量结构相似性，越接近1越好
• LPIPS（感知相似度）：衡量感知质量，越低越好

定性评估方法

1. 随机抽取测试集中的图像进行修复效果对比
2. 重点检查以下方面：
   • 划痕和损坏区域是否完全修复
   • 颜色和对比度是否自然
   • 细节是否得到保留和增强
   • 是否引入了不自然的伪影

全局修复效果对比：左侧为修复前的老照片，右侧为修复后的效果，展示了色彩恢复和细节增强的效果

常见问题及解决方案

问题	可能原因	解决方案
修复后图像过于模糊	训练数据不足或学习率过高	增加训练数据，降低学习率
面部特征扭曲	人脸数据集不足	增加多样化人脸样本
划痕修复不完全	掩码质量不高	优化掩码生成算法
颜色过度饱和	色彩映射不当	调整色彩损失权重

实战技巧：提升训练效果的5个秘诀

1. 数据质量优先：花更多时间收集和清洗数据，质量比数量更重要
2. 分阶段训练：先训练基础模型，再针对特定问题（如划痕）进行微调
3. 混合真实与合成数据：使用30%真实老照片和70%合成退化图像
4. 定期可视化检查：每50个epoch生成样本修复结果，及时发现问题
5. 模型集成：训练多个模型并融合结果，提高鲁棒性

总结与下一步

通过本文介绍的步骤，你已经掌握了老照片修复模型的训练数据构建和模型训练全过程。这个流程包括数据收集、预处理、增强、VAE模型训练、映射网络训练和人脸增强等关键步骤。

下一步，你可以尝试：

• 扩展训练数据到特定类型的老照片（如黑白照片、证件照）
• 优化模型结构以提高修复速度
• 开发用户友好的界面，如项目提供的GUI.py
• 尝试将模型应用于视频修复，参考项目作者的后续工作Bringing-Old-Films-Back-to-Life

老照片修复不仅是一项技术挑战，更是连接过去与现在的桥梁。通过AI技术，我们能够让珍贵的历史影像重获新生，为后代保存更多宝贵的视觉记忆。

【免费下载链接】Bringing-Old-Photos-Back-to-Life Bringing Old Photo Back to Life (CVPR 2020 oral) 项目地址: https://gitcode.com/gh_mirrors/br/Bringing-Old-Photos-Back-to-Life