CodeFormer：老照片变清楚以后，还像原来的人吗？
为什么值得关注
把人脸修复的视觉质量与保真度做成可调选择，整理老合照时能保留不同候选，而不把最锐利结果自动当作最好。
适合谁：整理老合照、希望保留人物特征，并愿意逐张比较修复候选的照片爱好者；商业团队需先获许可。
这次有哪些亮点
- 离散人脸码本为退化面孔补充高质量视觉表示
- 0–1 保真权重可调，较大值倾向更贴近输入
- 整图流程可结合 Real-ESRGAN 增强背景
使用前需要知道
S-Lab 限非商业使用；生成细节不等于真实身份，整图融合可能损伤发丝边界，官方合照未提供权重值。
翻出一张模糊老合照，最想看清的通常是人的眼睛和表情。CodeFormer 能从低清人脸生成更清晰的面部结果，也给出一个很有用的选择：你可以在视觉质量与贴近输入之间调节，而不必接受唯一的“高清版”。对整理家庭照片的人来说，认识这个调节比一味追求皮肤更光滑更重要。
合照里，先看脸，再看衣服和背景
这张图来自官方仓库的老照片增强示例。中间竖线将左侧 Old Photo 与右侧 CodeFormer 分开：左边的人脸、头发和衣服较模糊，右边前景人物的眉眼、鼻部和发丝轮廓更明确。它展示的是一张合照的左右对照，不是同一张脸在两种权重下的参数实验；两侧人物位置也不同，不应逐像素拿左右两个人来证明身份保持程度。 查看原尺寸对照图。
这张材料最有价值的地方，是让“更清晰”变成可观察的变化：眼睛出现了边界，头发有了线条，脸部有更具体的明暗层次。但越具体的细节，越需要问它来自哪里。原图已经糊掉的睫毛或皮肤纹理，没有一份隐藏的清晰底片供模型读取；好看的人脸结果不能替代历史照片的原始证据。本文依据官方样图与方法说明解析，没有对这张合照重新推理。
fidelity 权重不是锐度滑块
CodeFormer 的方法先学习一套离散的高质量人脸视觉表示，再根据低清输入预测组合，生成面部图像。它不是只把现有像素边缘拉得更硬，而是借助学到的人脸规律补充缺失的细节。因此它能让低清面孔变得自然，也可能改变原来的人脸特征。
官方把 fidelity weight，也就是保真权重 w，设在 0 到 1 之间：较小的 w 倾向于更高的视觉质量，较大的 w 倾向于更高的保真度。这里的“保真”指更贴近输入，不等于恢复真实身份的概率；w=1 也不是“百分之百还原本人”。这个方向不能写反，否则想保留长相的人反而会被引向更强的生成变化。
如果要为相册制作展示副本，我会以较高保真方向为起点，先比较眼形、嘴角和脸部比例，再决定是否需要更多细节。愿意尝试更低权重时，也应把两个输出并排看：哪一版只是更光滑，哪一版开始改变表情？这是依据参数含义给出的选择方法，并非本文跑出的对比结果。官图没有登记 w，不能替它补上一个看似合理的数值。
对于已经非常模糊、只剩大致轮廓的脸，生成更完整的面孔可能适合做纪念性展示，却不适合据此辨认一个不确定的人。CodeFormer 的意义是给出可调整的修复候选，让使用者保留选择；它不能替你证明候选就是当年的长相。
整张照片还有另一层处理
合照不只有人脸。README 区分裁好并对齐的人脸与整图增强，并提供使用 Real-ESRGAN 增强背景、进一步放大修复人脸的选项。这样可以把更清晰的脸放回整张照片，但衣服、发梢和背景并非因此都由同一套人脸模型恢复。
官方还提醒，整图中的人脸与背景融合可能损伤边界处的头发纹理。这意味着看图不能只放大眼睛：脸颊旁的发丝、耳朵边缘和脖子接缝也值得检查。对于想打印合照的人，一张“脸很清楚、边缘却不协调”的输出仍需要进一步处理，而不是继续加大放大倍率。
从 官方仓库可进入作者维护的 Hugging Face、Replicate 和 OpenXLab 演示；README 特别区分了这些入口与非官方同名网站。在线服务的账户、额度和价格要按实际平台页面确认，本文不承诺免费。选择本地路线则需要 Python、PyTorch、相关权重，官方环境列出 CUDA 依赖，不是下载一张图片就能离线运行。
CodeFormer 采用 NTU S-Lab License 1.0，源码及二进制使用、修改和分发的许可限非商业用途，商业使用需联系作者。对普通读者，它值得尝试的是在相册副本上找一个“清楚但仍像本人”的平衡；对商业修片团队，先解决许可，再讨论批量处理。无论选哪一版，原始扫描件都应作为原始材料保留。
参考资料：
以上为编辑整理，功能、许可与使用条件以官方说明为准。