翻开家庭相册，几十年前的黑白或彩色照片大多已经出现发黄、褪色、霉斑和划痕。这些损伤不只是影响观感，还会破坏面部轮廓、衣纹和背景细节。传统修复手段依赖手动涂抹和局部复制，在大面积破损或严重褪色时效率很低，而且容易产生模糊、拼接痕迹和色偏。AI图像处理技术的出现改变了这一局面。它不再把修复看作简单的滤镜叠加，而是通过生成模型学习高清人像和纹理的先验分布，在破损区域重建符合上下文的像素。
本文会从划痕检测、掩膜生成、去噪修复、颜色恢复四个环节拆解完整流程，并给出基于GFPGAN、CodeFormer和Real-ESRGAN的本地推理示例。读者可以按照步骤在Python环境中部署模型，对破损划痕和严重褪色照片进行批量修复。
一、老照片破损划痕与严重褪色的成因及修复难点
老照片的基底通常是涂布在纸基或塑料片基上的明胶银盐层。长期受光照、湿度、温度变化影响，明胶层会收缩开裂，形成物理划痕；银盐颗粒在空气中硫化，生成黄色或棕色斑点；染料型彩色照片由于青、品红、黄染料稳定性不同，会按不同速度褪色，最终形成偏红或偏蓝的单色影像。严重褪色照片的局部对比度会急剧下降，高光和暗部的纹理几近消失。理解这些成因有助于判断哪些区域需要生成式重建，哪些区域只需要颜色校正。
传统修复主要使用修复画笔、图章工具和插值算法。修复画笔适合细小划痕，但面对大面积缺失时需要人工选择采样点，容易带入错误纹理；双三次插值和线性插值只能平滑过渡，无法恢复缺失的高频细节；直方图均衡和自动白平衡虽然能改善褪色，却会破坏原始明暗关系，让肤色显得灰脏。这些方法无法应对老照片中信息永久丢失的问题。
AI修复的难点在于，划痕和霉斑区域的信息已经永久丢失，模型必须根据周围纹理推断出最合理的内容。这个过程中，如果生成模型先验不足，就会输出模糊团块；如果先验过于强烈，又会把老年人的皱纹、雀斑等真实特征抹掉，产生塑料脸。因此，修复流程必须同时考虑局部重建和全局真实性，而不是单纯追求高清晰度。
二、AI修复老照片的核心原理：划痕检测、掩膜生成与生成式重建
完整的AI老照片修复流程可以拆成四步：划痕检测、掩膜生成、生成式重建、颜色恢复。划痕检测负责找出破损位置；掩膜生成把破损位置标记为待修复区域；生成式重建利用周围像素和先验知识填补内容；颜色恢复解决整体偏色和褪色问题。每一步都有专门的算法或模型，不能简单用一个端到端模型替代所有环节。
划痕检测可以用传统形态学操作。顶帽变换对细长亮划痕或暗划痕比较敏感，使用黑帽变换可以提取比周围暗的划痕，再通过阈值分割得到二值掩膜。深度学习分割模型如U-Net也可以训练来识别划痕，但需要大量标注数据。实际工程中，传统方法对细线状划痕已经够用，深度学习更适合复杂霉斑和折痕。掩膜的质量直接影响后续生成式重建的效果，掩膜太小会导致划痕残留，太大会覆盖过多有效像素，让模型进行不必要的重绘。
生成式重建的核心是生成对抗网络和扩散模型。GFPGAN在StyleGAN的基础上引入面部先验，修复人脸结构；CodeFormer通过码本先验控制细节强度，权重越低越接近真实，越高则细节越锐；Real-ESRGAN负责整体超分和去模糊。修复时通常先做划痕掩膜修复，再做超分，否则划痕会被放大。对于非人脸区域，扩散模型能根据周围纹理生成更自然的老照片颗粒，但推理时间更长。
严重褪色照片的颜色恢复不能简单地套用自动白平衡。银盐黑白照片发黄属于色偏，可以通过色阶或曲线把最黑点和最白点重新映射；彩色照片染料褪色不平衡时，需要在Lab或HSV空间分通道处理。CLAHE在L通道做自适应直方图均衡，能恢复局部对比度，同时保持颜色不溢出。如果直接在RGB通道上增强对比度，容易放大偏色和噪声。
三、本地实战：用Python搭建老照片AI修复流程
在Python环境中部署，需要安装OpenCV、PyTorch以及对应的预训练模型。建议使用Python 3.10以上版本，显存8GB以上可以轻松跑4倍超分。官方模型权重可以从对应项目的发布页下载，放到weights目录。下面的示例假设已经具备基本的Python环境和CUDA支持，如果使用CPU推理，速度会明显下降，但小尺寸老照片仍然可以处理。
先用OpenCV做划痕检测。下面代码用黑帽运算提取灰度图中的暗划痕，并保存二值掩膜。黑帽运算本质是闭运算结果减去原始图像，能够突出比周围更暗的细长区域，正好对应老照片上的深色划痕和折痕。
import cv2
import numpy as np
def detect_scratches(gray):
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
blackhat = cv2.morphologyEx(gray, cv2.MORPH_BLACKHAT, kernel)
_, mask = cv2.threshold(blackhat, 30, 255, cv2.THRESH_BINARY)
return mask
img = cv2.imread('old_photo.jpg', cv2.IMREAD_GRAYSCALE)
mask = detect_scratches(img)
cv2.imwrite('scratch_mask.png', mask)
print('mask saved')
掩膜生成后，可以用GFPGAN或CodeFormer进行修复。调用方式为命令行，-i指定输入图片，-o指定输出目录，-v控制模型版本，-s控制放大倍数。CodeFormer的-w参数控制保真度，0.5到0.7适合老照片，过大会出现不自然的塑料感。下面以GFPGAN为例，先做整体修复，再用Real-ESRGAN进行放大。
git clone https://github.com/TencentARC/GFPGAN.git cd GFPGAN pip install -r requirements.txt python inference_gfpgan.py -i old_photo.jpg -o result -v 1.3 -s 2
严重褪色的照片在修复前或修复后需要做颜色恢复。下面代码将图像从BGR转换到Lab空间，只在L通道做CLAHE处理，避免彩色噪声被放大。如果照片整体偏黄，还可以在ab通道做微调，但幅度要小，否则会破坏原始色彩平衡。
import cv2
import numpy as np
def restore_color(img):
lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
l = clahe.apply(l)
merged = cv2.merge((l, a, b))
restored = cv2.cvtColor(merged, cv2.COLOR_LAB2BGR)
return restored
img = cv2.imread('faded_photo.jpg')
result = restore_color(img)
cv2.imwrite('color_restored.jpg', result)
批量处理时不要一次性把所有文件读入内存。可以遍历目录，每张图处理后立即写出。划痕掩膜建议人工抽查，因为自动检测可能把头发丝、窗户线条误判为划痕。对于特别珍贵的老照片，可以先输出一份未调色版本，再输出一份调色版本，避免不可逆损失。整个流程可以写成脚本，按照检测、掩膜、修复、调色四个阶段依次执行，中间文件保留以便回溯。
四、效果调优与避坑指南：如何修得自然不塑料
最常见的问题是修复后人脸过于平滑。GFPGAN默认参数对严重破损图片容易过度生成，导致皮肤没有毛孔、眼神呆滞。此时可以降低GFPGAN的weight参数，或者改用CodeFormer并设置-w 0.6。也可以在修复完成后，用原始图片的高频细节做边缘融合，把真实纹理叠加回去。具体做法是提取原图的高频分量，只在修复区域做局部融合，这样既能保留周边真实颗粒，又能让重建区域不显得突兀。
划痕残留通常是因为掩膜没有完全覆盖损伤区域。可以在推理前膨胀掩膜2到5个像素，确保边界像素也被重建。如果划痕仍然可见，需要进行第二次局部推理，或用OpenCV的inpaint函数做快速修补。注意不要用纯白色笔刷手工标记，这会让模型误认为高光。正确的手工掩膜应该使用与背景接近的灰度值，避免引入额外颜色信息。
严重褪色照片容易偏蓝或偏黄，直接提饱和会放大噪声。建议先在Lab空间对ab通道做温和增强，再在L通道恢复对比度。黑白照片发黄可以用灰度化加色调分离，模拟原始银盐质感。批量处理彩色照片时，最好先挑选几张代表性图片做色彩校准，再把参数应用到整批。如果发现批量结果出现一致的偏色，问题多半出在自动白平衡算法，而不是模型本身。
输出格式推荐TIFF或高质量JPEG。TIFF无损保留细节，适合存档；JPEG便于分享，质量参数设置在95以上。分辨率不是越高越好，4倍超分后如果原始照片噪点严重，反而会放大噪声。此时可以先做轻微去噪，再超分，最后少量锐化。锐化时使用较小的半径，避免在人物皮肤上产生白边。记住老照片的颗粒感本身就是时间痕迹，过度光滑反而会失去历史质感。
AI修复老照片并不是一键完成的事情。划痕检测、掩膜生成、生成式重建、颜色恢复每个环节都需要根据照片的损伤类型调整参数。理解背后的生成模型原理，能帮助你在修复中保留老照片该有的颗粒感和年代感，而不是得到一张光亮虚假的数字图。按照本文给出的流程，你可以先从OpenCV划痕检测入手，再接入GFPGAN或CodeFormer，最后通过Lab颜色恢复，让破损划痕和严重褪色的老照片重新获得可观看的细节。
