内容目录

AI修复老照片的原理：超分、上色与五官重建

把一张七十年代的黑白合影扫进电脑，丢给AI修复工具，十几秒后出来一张色彩饱满、五官清晰的照片。看着挺神奇，但很多人的反应是：”清楚是清楚了，怎么不太像我奶奶？”

这个疑问正好戳中了AI修图的要害：它做的不是”还原”，而是”合理推测”。而”合理”和”真实”之间，隔着一整套技术取舍。

第一步：先分清这是三个不同的任务

“老照片修复”这个说法把三件事混在了一起，它们的目标函数完全不同，出错的方式也不同：

一键修复工具是把这四步串起来跑。问题是，串起来跑的时候你看不出哪一步出了偏差，而偏差往往就落在最后一步。

超分的原理不是插值放大——插值只会让画面变软。它用的是一个在大量图像上训练过的生成网络：给它一张低分辨率图，它根据学到的图像先验，”猜”出高频细节应该长什么样。

早期的 ESRGAN
用生成对抗网络来做这件事：一个生成器负责补细节，一个判别器负责判断”这看起来像不像真实照片”，两者对抗训练。结果是补出来的纹理非常逼真——毛孔、发丝、织物经纬都出来了。

但请注意用词：逼真，不等于真实。
这些纹理是从训练数据里学来的统计规律，不是你奶奶脸上原本的纹理。放大倍数越高，猜的成分越大：2
倍放大基本可信，4
倍以上就开始大量编造细节。所以专业流程里一般建议”分档放大”——连续做两次 2
倍，比一次 4 倍更稳。

上色本质上是一个条件生成问题：输入灰度图，输出彩色图。模型学的是”这种灰度分布通常对应什么颜色”。

问题在于，颜色在灰度图上并不唯一——同一种灰度，可以是浅棕皮肤，也可以是灰色墙面。模型只能靠区域先验来判断：这块是脸，就按人脸的平均肤色上色；这块是衣服，就按衣物的常见颜色上色。

于是就有了两个典型偏差：一是训练数据的分布偏差，早期公开数据集里欧美面孔占比高，亚洲老照片容易被上成偏红偏白的肤色；二是同一张图多次上色结果不一致，因为生成过程带随机性，肤色、衣服颜色每次都会飘。

解决办法不是换工具，是接受”上色结果是参考值”这个前提，然后手工调：先让AI上一版，再在调色软件里对肤色、衣物做局部校正，把关键区域（人脸）锁定色相。

这是最关键的一环。当老照片里人脸只有几十个像素时，超分网络没有足够信息去恢复五官，于是多数工具会挂一个人脸先验模型（GFPGAN、CodeFormer
这一类）：先检测人脸关键点，再用一个专门的人脸生成器把五官”拉回”到符合解剖结构的位置。

这个模型的训练目标是”生成一张正常的人脸”，不是”生成这一张脸”。所以它输出的五官是标准的、端正的、年轻的——也就容易变成”另一个人”。

这类工具通常有一个保真度权重参数（fidelity
weight）。规律是：

如果这张照片要用在纪念册、家族档案这类”必须像本人”的场景，建议权重拉到
0.7
以上，宁可略糊也不要换脸；如果是做宣传物料、需要放大的场景，可以适当降低。

按顺序做，比一键跑效果好得多：

用于印刷的话，最后还要按 300 dpi
复核实际尺寸，别只看屏幕上清不清楚——屏幕看的是像素，印刷看的是单位面积像素密度。

我们给客户做家族影像数字化、老素材翻新时，这套流程是固定的：AI负责
80% 的体力活，剩下 20% 的判断留给人。这也是 AIGC制作公司
和”一键修图App”最本质的差别——前者交付的是可控的结果，后者交付的是一次随机生成。