CodeFormer++：基于可变形注册和深度度量学习的盲目人脸修复
计算机视觉与模式识别
2025-10-07 v1
摘要
盲目人脸修复（BFR）因生成方法的兴起而受到日益关注。大多数现有方法将生成先验整合到修复过程中，旨在联合解决面部细节生成和身份保持问题。然而，这些方法常常在视觉质量和身份忠诚度之间存在权衡，导致身份失真或修复效果次佳。本文提出了 CodeFormer++，一种新型框架，旨在在保持身份的同时充分利用生成先验实现高质量人脸修复。我们将 BFR 问题分解为三个子任务：(i) 身份保持人脸修复，(ii) 高质量人脸生成，(iii) 身份特征与真实纹理细节的动态融合。我们的方法做出了三项关键贡献：(1) 一个基于学习的可变形人脸注册模块，用于语义对齐生成和修复后的人脸；(2) 一种纹理引导的修复网络，用于动态提取和传输生成人脸的纹理以提升身份保持修复人脸的质量；(3) 将深度度量学习集成到 BFR 中，以生成信息丰富的正样本和硬负样本，以更好地融合身份保持特征和生成特征。广泛的实验在真实世界和合成数据集上表明，提出的 CodeFormer++ 在视觉保真度和身份一致性方面实现了卓越的性能。
引用
@article{arxiv.2510.04410,
title = {CodeFormer++: Blind Face Restoration Using Deformable Registration and Deep Metric Learning},
author = {Venkata Bharath Reddy Reddem and Akshay P Sarashetti and Ranjith Merugu and Amit Satish Unde},
journal= {arXiv preprint arXiv:2510.04410},
year = {2025}
}