视频逐帧增强：mp4 mov avi 全流程处理

先决条件

已装好 ffmpeg（见 ffmpeg 安装）
显存 ≥ 12GB（整图 + 背景增强）
视频分辨率 ≤ 1080p（4K 视频逐帧处理太慢太吃显存）

一行命令

python inference_codeformer.py --bg_upsampler realesrgan --face_upsample -w 1.0 --input_path video.mp4

参数和图片处理完全一样，只是 --input_path 换成了视频文件路径。

强烈建议的参数选择

参数	推荐值	理由
-w	1.0	视频场景身份绝对优先。同一人的相邻帧如果 w 太小，前后帧可能长相微变（闪烁）
--bg_upsampler	realesrgan	背景也要修，否则人脸和背景闪烁频率不同
--face_upsample	✅	让修复脸和原视频分辨率匹配
-s	2	通常视频不需要上 4 倍

处理流程（更透明）

脚本内部做了这些事：

video.mp4
  ↓ ffmpeg 抽帧
tmp_frames/000001.jpg, 000002.jpg, ...
  ↓ 逐帧执行整图修复
tmp_frames_enhanced/000001.jpg, 000002.jpg, ...
  ↓ ffmpeg 合成（保留原音频）
results/CodeFormer_w1.0/video_enhanced.mp4
  ↓ 清理临时帧
tmp_frames/ 和 tmp_frames_enhanced/ 删除

所以视频处理的耗时 ≈ 图片张数 × 单张处理时间。30fps 的视频，10 秒就是 300 帧。

耗时估算

视频规格	RTX 3060	RTX 3080	T4 云 GPU
10s 720p	~8 分钟	~5 分钟	~12 分钟
10s 1080p	~15 分钟	~9 分钟	~22 分钟
60s 1080p	~1.5 小时	~50 分钟	~2.5 小时

视频处理是CPU + GPU 混合型任务：ffmpeg 抽帧合成靠 CPU，推理靠 GPU。瓶颈通常在 GPU 推理速度。

显存管理

显存紧张时（< 12GB）

# 关掉背景增强
python inference_codeformer.py -w 1.0 --input_path video.mp4

代价：背景不修，人脸和背景可能有"分辨率差"感。

4K 视频

4K 逐帧处理在 12GB 显存上很容易 OOM。解决方案：

先用 ffmpeg 把视频缩到 1080p
修完再放大（或保持 1080p）

常见视频格式支持

✅ mp4（H.264 / H.265）
✅ mov
✅ avi
✅ mkv（ffmpeg 支持的容器基本都可以）

不支持：实时视频流、USB 摄像头直接输入。先录屏保存成文件再处理。

处理后效果观察

时间一致性

CodeFormer 没有显式时间约束（不像某些专门的视频修复模型），但 Codebook token 是确定性的，同一人的相邻帧通常预测出相似 token → 自然保持时间一致性。

但如果原图本身抖动严重（手机手持拍摄），帧间人脸位置变化大，还是会有轻微闪烁。

音频

原视频的音频会被完整保留（ffmpeg 合成时 -c:a copy），不会有任何变化。

编解码格式

输出视频默认是 mp4 (H.264)，码率和原视频接近。如果需要特定格式，处理完后用 ffmpeg 再转一次：

ffmpeg -i results/output.mp4 -c:v libx265 -crf 20 output_h265.mp4

批量处理多个视频

脚本的 --input_path 也支持放文件夹，里面放多个视频：

python inference_codeformer.py \
    -w 1.0 --bg_upsampler realesrgan --face_upsample \
    --input_path videos_folder/

会自动识别文件夹里所有视频文件并逐个处理。