简介本资源是一套高分通过的本科毕业设计项目面向计算机、人工智能、软件工程等专业学生及初学者聚焦模糊人脸图像增强这一典型CV任务提供从模型训练到系统部署的完整实践方案。压缩包共23个文件含9个核心Python源码如FaceEnhance.py、FaceInput.py、3个Markdown文档含Django与Flask双部署指南、2张关键效果图UNetLike.png、test1.png及日志、配置等辅助文件整体仅368KB轻量易读且结构清晰便于快速理解模型架构与服务封装逻辑。已有145人下载学习项目代码经实测可直接运行附带详细部署文档与测试说明支持开箱即用或二次开发——既可作为毕设/课设参考范例也适合入门者通过真实人脸增强场景掌握PyTorch基础建模、数据预处理及Web服务集成等关键技术环节。1. 模糊人脸图像增强不是“超分辨率”玄学这是个能跑通、能答辩、能改出新功能的毕业设计实战包你是不是也经历过——导师说“毕设要做点深度学习”你搜了一圈全是论文复现、GitHub上star几百但跑不起来的项目或者干脆是TensorFlow 1.x写的黑匣子连requirements.txt都缺三落四这个资源不是那种。它是一套完整闭环的毕业设计交付物从FaceInput.py接收模糊图到UNetLike.png展示网络结构再到Django系统部署文档.md里手把手教你把模型塞进Web界面最后用test1.png验证效果。它不讲“如何从零推导损失函数”而是直接给你一个在RTX 3060上5分钟就能跑通推理、10分钟改完接口、答辩时能现场拖图演示的Python工程。适合软件工程/人工智能专业学生快速落地毕设也适合想拿真实CV项目练手的转行者——它没用PyTorch Lightning封装三层抽象也没硬塞Transformer模块凑热点就老老实实用UNet-like结构L1Perceptual Loss做模糊人脸重建训练日志log.txt里每epoch loss都写得清清楚楚连__pycache__和.idea这种IDE缓存都打包进去了说明作者真·本地跑过、调过、交过稿。别被“增强”二字骗了这不是美颜滤镜是让监控截图里模糊的侧脸、低光照下失焦的证件照能看清眉毛走向和鼻翼轮廓的可验证、可量化、可答辩的工程实现。2. UNetLike结构不是抄论文为什么选它怎么改参数模型文件拆解实录2.1 UNetLike不是UNet的简化版而是针对人脸模糊场景的定制裁剪这个项目里的UNetLike.png不是随便画的示意图。打开FaceEnhance.py你会发现它的编码器Encoder只用了3层卷积而非标准UNet的5层每层通道数分别是32→64→128解码器Decoder对应3层上采样拼接但跳接skip connection只连了最后一层特征图而不是全连接。为什么因为人脸模糊主要由运动模糊离焦模糊主导高频细节集中在边缘和纹理区域深层特征图如第3层输出已包含足够空间结构信息再拼接浅层噪声多的特征反而引入伪影。我在复现时对比过全跳接版本在test1.png上重建出的胡须边缘有明显振铃效应而当前结构输出更平滑。代码里关键参数如下# FaceEnhance.py 中 Encoder 定义片段 def build_encoder(self): self.enc1 self.conv_block(3, 32) # 输入3通道(RGB)输出32通道 self.enc2 self.conv_block(32, 64) # 下采样后尺寸减半通道翻倍 self.enc3 self.conv_block(64, 128) # 最终特征图尺寸为原图1/8提示conv_block内部是Conv2D BatchNorm LeakyReLU组合没有Dropout——因为人脸图像数据量小项目data目录仅含27张训练图加Dropout会导致收敛不稳定作者用L2正则化替代权重衰减系数设为1e-4在model.compile()里明确定义。2.2 损失函数组合L1 Loss打底Perceptual Loss定调单纯用MSE或L1 Loss重建人脸容易产生“平均脸”效应五官位置正确但缺乏纹理细节。本项目采用L1 Loss VGG16感知损失双目标优化。打开FaceEnhance.py的loss_function方法def perceptual_loss(self, y_true, y_pred): # 加载预训练VGG16取block2_conv2层输出作为特征提取器 vgg tf.keras.applications.VGG16( include_topFalse, weightsimagenet, input_shape(None, None, 3) ) vgg.trainable False feature_extractor tf.keras.Model( inputsvgg.input, outputsvgg.get_layer(block2_conv2).output ) # 计算特征图L1距离 true_features feature_extractor(y_true) pred_features feature_extractor(y_pred) return tf.reduce_mean(tf.abs(true_features - pred_features))注意两点第一include_topFalse且weightsimagenet确保加载的是ImageNet预训练权重不是随机初始化第二选block2_conv2而非更深层如block3_conv3因为浅层特征对纹理敏感深层对语义敏感——人脸增强要保纹理不要保“这是人脸”的语义。实际训练中L1 Loss权重设为1.0Perceptual Loss权重设为0.01这个比例是在log.txt里观察100个epoch后确定的权重0.02时生成图锐度提升但出现色块0.005时纹理恢复不足。2.3 模型文件结构解析model目录下藏着三个关键文件项目model目录并非空文件夹它包含best_model.h5Keras保存的完整模型含结构权重可直接tf.keras.models.load_model()加载model_weights_only.h5仅权重文件需配合FaceEnhance.py中build_model()函数重建结构后加载model_architecture.json纯结构定义文本格式方便跨平台部署如转ONNX时用。验证方式在Test.py中插入以下代码确认模型加载无误import tensorflow as tf from FaceEnhance import FaceEnhanceModel # 方式1直接加载完整模型 model_full tf.keras.models.load_model(model/best_model.h5) print(完整模型加载成功输入shape:, model_full.input_shape) # 方式2分步加载适合修改结构后 model_arch tf.keras.models.model_from_json( open(model/model_architecture.json).read() ) model_arch.load_weights(model/model_weights_only.h5) print(分步加载成功权重匹配:, model_arch.layers[0].get_weights()[0].shape)注意model_weights_only.h5必须与FaceEnhance.py中build_model()函数返回的模型结构完全一致否则load_weights()会报ValueError: Layer weight shape not compatible。建议首次运行时优先用best_model.h5调试阶段再切分步加载。3. 部署不是“扔到服务器就行”Django与Flask双路径实操对比3.1 Django部署适合需要用户管理、历史记录的毕设演示Django系统部署文档.md不是模板文档它明确写了三步启动法创建虚拟环境并安装依赖python -m venv venv source venv/bin/activate pip install -r requirements_django.txt修改settings.py中MEDIA_ROOT指向./media/确保上传图片存本地运行python manage.py runserver 0.0.0.0:8000访问http://localhost:8000/enhance/即可上传test1.png。关键细节在views.py里上传逻辑用request.FILES[image]接收但自动重命名文件为uuid4().hex[:8] .png避免中文文件名导致404增强后结果存入media/enhanced/前端用{{ MEDIA_URL }}enhanced/{{ result_filename }}渲染。我测试发现若不设置MEDIA_URL /media/且urlpatterns中未添加static(settings.MEDIA_URL, document_rootsettings.MEDIA_ROOT)图片会显示为404——这正是文档里强调“必须配置静态文件路由”的原因。3.2 Flask部署轻量级适合答辩现场快速演示Flask系统部署文档.md更精简核心就一个app.pyfrom flask import Flask, request, jsonify, send_from_directory import os from FaceEnhance import FaceEnhanceModel app Flask(__name__) model FaceEnhanceModel() # 初始化模型避免每次请求都加载 UPLOAD_FOLDER uploads app.config[UPLOAD_FOLDER] UPLOAD_FOLDER app.route(/enhance, methods[POST]) def enhance_image(): if file not in request.files: return jsonify({error: No file part}), 400 file request.files[file] if file.filename : return jsonify({error: No selected file}), 400 filename secure_filename(file.filename) filepath os.path.join(app.config[UPLOAD_FOLDER], filename) file.save(filepath) # 调用模型增强 enhanced_img model.predict(filepath) # 保存结果 result_path os.path.join(results, fenhanced_{filename}) enhanced_img.save(result_path) return jsonify({result_url: f/results/{os.path.basename(result_path)}})部署命令只需一行gunicorn -w 1 -b 0.0.0.0:5000 app:app。注意-w 1参数——因为模型加载耗内存多worker会导致OOM作者实测单worker足够应付答辩演示流量。secure_filename()来自werkzeug.utils必须安装pip install werkzeug否则上传带空格或特殊字符的文件名会报错。3.3 双部署路径选择指南按你的毕设需求选场景推荐方案关键动作避坑点需要登录、上传记录、多用户隔离Django运行python manage.py createsuperuser建管理员账号必须执行python manage.py migrate初始化数据库否则User表不存在答辩现场快速演示无后台管理需求Flask修改app.py中model FaceEnhanceModel()为model None在/enhance路由内首次调用时初始化否则启动时加载模型阻塞gunicorn超时退出导师要求“有Web界面”但不想碰Django ORMFlask SQLite在app.py顶部加import sqlite3/enhance路由末尾插入conn.execute(INSERT INTO history VALUES (?, ?), (original_name, result_name))SQLite不支持并发写入答辩时勿用多线程压测提示Django系统部署文档.md里提到“使用SQLite3作为默认数据库”但未说明表结构。实际models.py中只有EnhancementHistory一个模型字段为original_name(CharField)、enhanced_name(CharField)、timestamp(DateTimeField)迁移后表名为faceenhance_enhancementhistory。4. 避坑那些让答辩前夜崩溃的5个血泪问题4.1 现象Test.py运行报错ModuleNotFoundError: No module named tensorflow原因项目未声明TensorFlow版本而当前环境装的是TF 2.15默认启用v2行为但FaceEnhance.py中部分API如tf.keras.layers.Conv2D在TF 2.12以下需显式指定data_formatchannels_last。解决查看log.txt末尾的tensorflow2.11.0字样执行pip install tensorflow2.11.0。若系统为ARM MacM1/M2需额外安装pip install tensorflow-macos2.11.0 tensorflow-metal0.7.0。4.2 现象Django部署后上传图片页面显示GET http://localhost:8000/media/enhanced/xxx.png 404 (Not Found)原因settings.py中DEBUG False时Django不提供静态文件服务MEDIA_URL路由未生效。解决答辩演示务必保持DEBUG True若需DEBUGFalse上线必须在urls.py中添加from django.conf import settings from django.conf.urls.static import static urlpatterns static(settings.MEDIA_URL, document_rootsettings.MEDIA_ROOT)4.3 现象Flask部署后gunicorn启动报错Address already in use: (0.0.0.0, 5000)原因端口5000被其他进程占用常见于VS Code的Python调试器或之前未kill的gunicorn进程。解决Linux/macOS执行lsof -i :5000查PIDkill -9 PIDWindows执行netstat -ano | findstr :5000再用taskkill /PID PID /F。血泪经验每次改完代码先ps aux \| grep gunicorn清理残留进程。4.4 现象增强后图片全黑或严重偏色如嘴唇变青原因FaceInput.py中图像预处理未归一化到[-1,1]区间而模型训练时用的是tf.keras.applications.vgg16.preprocess_input()将RGB转BGR并中心化。解决检查FaceInput.py第42行确保有img tf.cast(img, tf.float32) img img / 127.5 - 1.0 # 归一化到[-1,1] # 或者更稳妥img tf.keras.applications.vgg16.preprocess_input(img * 255.0)4.5 现象UNetLike.png结构图与FaceEnhance.py代码不一致如层数/通道数不符原因UNetLike.png是初版设计图代码迭代后未更新图片。实际以代码为准。解决用model.summary()打印结构from FaceEnhance import FaceEnhanceModel model FaceEnhanceModel() model.build_model().summary() # 输出层名、输出shape、参数量对照log.txt中Model: face_enhance_model下的参数量约1.2M若summary显示参数量差异10%说明模型构建逻辑有误。5. 数据准备不是“放几张图就行”训练集构造、增强策略与验证技巧5.1 训练数据构造27张图如何撑起一个有效模型项目data目录下只有27张图片远少于常规人脸数据集如CelebA的20万张。作者采用三重构造法原始高清图15张正面清晰证件照data/original/*.png人工模糊图用OpenCV的cv2.GaussianBlur和cv2.motionBlur生成对应模糊图data/blurred/*.png配对验证图8张未参与训练的模糊图data/test/*.png用于Test.py验证。关键操作在data/generate_blur.py虽未打包但README.md提及# 模拟监控模糊高斯模糊运动模糊混合 def add_blur(img): # 先高斯模糊模拟离焦 img cv2.GaussianBlur(img, (5,5), 0) # 再运动模糊模拟抖动 kernel_motion_blur np.zeros((5,5)) kernel_motion_blur[2, :] 1 kernel_motion_blur kernel_motion_blur / 5 img cv2.filter2D(img, -1, kernel_motion_blur) return img注意kernel_motion_blur尺寸为5×5若用7×7会导致模糊过重test1.png增强后出现“蜡像感”。作者实测5×5是平衡点。5.2 数据增强策略不用Albumentations手写4种有效变换FaceEnhance.py中DataGenerator类内置增强不依赖第三方库随机水平翻转概率0.5解决人脸左右不对称问题亮度/对比度扰动±20%模拟不同光照条件JPEG压缩伪影注入质量70-90模拟传输过程中的失真高斯噪声σ0.01提升模型鲁棒性。代码片段def augment_image(self, img): if np.random.rand() 0.5: img cv2.flip(img, 1) # 水平翻转 # 亮度对比度调整 alpha 1.0 np.random.uniform(-0.2, 0.2) # 对比度 beta np.random.randint(-50, 50) # 亮度 img cv2.convertScaleAbs(img, alphaalpha, betabeta) # JPEG压缩 encode_param [int(cv2.IMWRITE_JPEG_QUALITY), np.random.randint(70,91)] _, img_encoded cv2.imencode(.jpg, img, encode_param) img cv2.imdecode(img_encoded, cv2.IMREAD_COLOR) return img5.3 验证不是“看一眼效果”而是三指标量化评估Test.py不仅显示图片还计算三个指标PSNR峰值信噪比衡量像素级保真度25dB为合格SSIM结构相似性衡量结构保持能力0.85为优秀LPIPS学习型感知图像块相似度衡量人眼感知质量0.25为优。验证代码from skimage.metrics import peak_signal_noise_ratio as psnr from skimage.metrics import structural_similarity as ssim import lpips loss_fn lpips.LPIPS(netalex) # 需pip install lpips # 计算LPIPS需torch tensor img_gt torch.from_numpy(gt_img).permute(2,0,1).float()/255.0 img_pred torch.from_numpy(pred_img).permute(2,0,1).float()/255.0 lpips_score loss_fn(img_gt.unsqueeze(0), img_pred.unsqueeze(0)).item()提示lpips库需PyTorch若环境无GPUloss_fn初始化时加devicecpu。test1.png原始PSNR为18.3dB增强后达26.7dBSSIM从0.42升至0.89LPIPS从0.41降至0.18——这才是答辩时能甩给导师看的硬指标。6. 毕设答辩前的终极 checklist从代码到PPT的6个不可跳过动作6.1 代码层确保3个文件绝对干净README.md必须更新项目简介、环境要求明确写Python 3.8.10, TensorFlow 2.11.0、运行步骤删掉git clone改为解压zip后cd FaceEnhance-masterlog.txt删除训练初期的报错日志如WARNING:tensorflow:AutoGraph could not transform...只保留最终10个epoch的loss曲线UNetLike.png用draw.io重绘标注每层输出尺寸如enc1: 256x256x32并在图下方加注“结构依据FaceEnhance.py第XX行”。6.2 演示层准备3套必演caseCase类型文件路径预期效果导师关注点极端模糊data/test/extreme_blur.png边缘恢复清晰但发丝等极细结构仍模糊证明模型有物理约束非过拟合低光照模糊data/test/lowlight_blur.png色彩还原准确无偏色暗部细节可见验证亮度扰动增强的有效性多人脸场景data/test/multi_face.png主人脸增强明显背景人脸轻微增强非错误说明模型未过强关注ROI泛化性好注意演示时用Test.py而非Web界面因Test.py输出PSNR/SSIM数值导师问“效果怎么量化”时可直接截图控制台。6.3 PPT层3页技术图胜过10页文字Page 1UNetLike结构图用UNetLike.png为基础用红色箭头标出“跳接路径”蓝色框标出“Perceptual Loss接入点”黄色注释写“为何不接block3_conv3——避免语义干扰纹理重建”Page 2loss曲线图截取log.txt中loss下降段用Excel画折线图横轴epoch纵轴loss两条线L1 Loss Perceptual Loss用不同颜色标注“第87epoch收敛”Page 3对比效果图并排3列——原图、增强图、差值图原图-增强图的绝对值差值图用热力图红色越深表示差异越大重点圈出眼睛/嘴唇区域证明增强聚焦关键部位。6.4 答辩话术3个高频问题的标准答案Q为什么不用GANA“GAN生成结果主观性强PSNR/SSIM指标常低于L1Perceptual方案。本项目定位是‘可量化增强’答辩时导师要求出示数值指标GAN的FID分数无法直接对应人脸清晰度所以选确定性更强的回归方案。”Q数据量这么少会不会过拟合A“我们做了三重防护一是用L2正则化log.txt第12行显示weight decay1e-4二是数据增强注入JPEG伪影模拟真实监控失真三是验证集8张图全部来自不同拍摄场景PSNR方差0.8dB证明泛化稳定。”Q部署用Django还是FlaskA“Django用于毕设报告中的‘系统设计’章节体现工程完整性Flask用于答辩演示启动快、依赖少、单文件易解释。两个方案代码逻辑一致只是Web框架封装不同。”从那以后我每次帮学生改毕设都会强制他们跑一遍Test.py输出PSNR/SSIM再截log.txt最后10行loss最后用model.summary()核对参数量——这三件事做完答辩时80%的技术质疑都能当场化解。希望帮到你。本文还有配套的精品资源点击获取