AI修复老照片教程：别让人脸越修越不像

AI修复老照片的成败不在“一键生成”，而在人脸保真。本教程从扫描、人像修复、超分放大到混合精修，拆解完整流程，横向对比主流工具，讲清什么时候该用AI、什么时候必须停下来交给人工判断。

一、你修的是照片，还是AI画出来的人

很多人第一次用AI修复老照片，兴奋只持续了几秒钟。照片确实清晰了，划痕没了，颜色也上了，但盯着人脸看一会儿，心里开始发毛：五官好像都对，但拼在一起就是不太像记忆里的那个人。

这不是错觉。AI修复老照片的核心机制，是模型根据训练数据中见过的海量人脸，“推断”出被模糊或破损遮住的细节。它重建的是一张统计意义上合理的脸，而不是你奶奶原本那张脸。当原片中眼睛只剩两个模糊的像素点时，AI需要决定瞳孔的边界在哪里、眼神光落在什么位置、眼角的皱纹保留几分。这些决定，模型替你做了，而你通常没有机会参与。

更微妙的问题在于“好看”和“像”之间的张力。一个模糊的人脸被AI锐化之后，皮肤变得光滑，五官变得端正，甚至带上了某种标准化的“美颜感”。老人修完皮肤不再松弛，小孩修完眼神过于成熟，侧脸修完五官轻微错位——这些都是真实存在的翻车场景。一张“好看但不像本人”的照片，对于日常发朋友圈或许够用，但对于家庭档案来说，它的价值恰恰被“修复”本身损害了。

所以，这篇教程要回答的第一个问题不是“怎么修”，而是你修的这张照片，值不值得用AI的默认方式修。答案取决于三个变量：破损的严重程度、人脸在画面中的占比，以及这张照片对你意味着什么。

二、先搞懂AI到底在做什么

2.1 人脸修复：GFPGAN与CodeFormer的分工

老照片修复的技术栈里，人脸处理是最特殊的一环。通用的图像超分模型（如Real-ESRGAN）能把整张图放大变清晰，但它不“认识”脸，放大后的五官可能糊在一起。真正负责人脸重建的是专门的人脸先验模型，目前开源社区最主流的两个是GFPGAN和CodeFormer，都出自腾讯ARC实验室及相关研究脉络。

两者的性格截然不同。GFPGAN速度快、结构简单，对原图的改动相对保守，适合“照片本身没大毛病、只是有点糊”的情况。CodeFormer提供了可调节的保真度参数：调低，它更大胆地补齐五官，脸会更完整清晰；调高，它更忠实地贴近原片信息，但清晰度提升有限。一个实用的经验是，CodeFormer的保真度设置在0.5到0.7之间，在“能看清”和“还是他”之间取得平衡。

真正的陷阱出现在人脸在画面中太小的时候。一张全家福里站在后排的人，脸部可能只有几十个像素。输入信息量不足以支撑任何有意义的重建，模型只能进入“猜测模式”。这种情况下，任何一键工具给出的结果，本质上都是合成，而不是修复。

2.2 超分放大：为什么它不应该先做

超分辨率（super-resolution）的任务是把低分辨率图像放大，同时用模型填补放大过程中缺失的细节。常见的工具包括Real-ESRGAN、Topaz的放大模块，以及各云端服务的内置超分功能。

问题在于顺序。很多人拿到一张模糊照片，第一反应是“先放大看清楚”，结果把噪点、划痕和压缩伪影也一起放大了。正确的逻辑是先清理结构损伤，再处理分辨率：把划痕、折痕、污渍修掉之后，剩下的真实图像信息才值得被放大。腾讯ARC的实操指南也明确建议：先做“人像修复”让人脸恢复可辨认状态，再用“超分”把整体画面拉到可用分辨率。

2.3 上色：最“讨喜”也最不可靠的一步

黑白照片智能上色是AI修复老照片中最有传播力的功能。肤色、衣服、天空的颜色，模型往往判断得“八九不离十”。但这种准确率有一个被低估的前提：颜色判断依赖于对场景和服饰的语义理解，一旦遇到年代久远或地域特征强烈的物件，模型就开始自由发挥了。

三十年前的窗帘花色、某款已经停产的衣服颜色、特定军装或制服的准确色号——这些信息不在模型的训练分布里，它给出的颜色只是一种看起来合理的填充。所以上色之前应该先问自己：你需要的是视觉上令人愉悦的彩色版本，还是颜色信息有据可依的档案记录。如果是后者，上色版本只能作为参考，不能替代黑白原件。

三、动手之前的三个前置动作

3.1 扫描质量决定修复上限

老照片修复行业有一句朴素的话：输入决定输出。一张用手机随手拍的照片，和一张600dpi平板扫描件，经过同一个AI模型处理，结果可能是天壤之别。

对于小尺寸照片（2×3英寸到4×6英寸），建议扫描分辨率不低于600dpi，条件允许时上到1200dpi。5×7英寸以上的照片，600dpi通常够用。如果扫描仪支持16位色深，优先使用并保存为TIFF格式，为后续的色调调整保留更多余地。手机拍摄时，使用均匀的漫射光，避免闪光灯和顶灯造成的反光热点；Google的PhotoScan类应用通过多帧合成来消除眩光，对于无法拆框的珍贵照片是一个务实的替代方案。

3.2 永远保留一份未经处理的原始扫描件

这是整篇教程里最没有技术含量、却最容易被跳过的一步。在修复任何一张老照片之前，把扫描件复制一份，单独存放，永远不要直接编辑那个文件。AI修复的结果不保证一次满意，也不保证模型的行为可复现。如果原始扫描件被覆盖，你就失去了重新尝试的基准，也失去了判断“修完之后到底改了什么”的参照。

3.3 先想清楚：这张照片是“档案”还是“展示品”

这个判断比选择工具更重要。如果照片的用途是家族历史存档、人物身份确认、或作为其他修复工作的依据，修复目标应该是忠实：去掉损伤，保留所有能够辨认的原始特征，不上色，不进行激进的人脸重建。如果照片的用途是打印装框、社交分享、或送给长辈作为情感礼物，目标可以是观感：清晰、色彩自然、人脸完整，允许AI在信息缺失处做出合理填充，但事后需要人工核查关键特征。

这两个目标对应完全不同的工具组合和参数选择。用“档案标准”去苛责一张用于朋友圈的照片，是过度工程；用“展示标准”去处理一张家族仅存的祖先肖像，则可能造成不可逆的信息损失。

四、AI修复老照片的完整操作流程

4.1 路线一：腾讯ARC，免费、够用、顺序要对

腾讯ARC的图片增强工具是目前中文用户最容易上手的免费选项，网页端微信扫码即可使用，不限次数和图片大小。

操作顺序应该是：上传 → 人像修复 → 超分放大。先用人像修复把模糊的面部拉回到可辨认状态，处理时间通常在3到15秒。人脸清楚之后，再把同一张图送入超分模块，放大倍数建议选2倍；4倍虽然在数字上更诱人，但边缘锯齿和过度锐化的风险显著上升。

ARC对多人合影的支持是一个被低估的细节：它能在一张图中同时检测并修复多张人脸，全家福不需要逐人裁切处理。但侧脸是它的弱项，接近90度的侧脸有概率出现五官错位。遇到这种情况，先裁剪到只保留正脸区域再上传，成功率会明显提高。

4.2 路线二：豆包，指令清晰比工具本身更重要

豆包的修复能力藏在“豆包P图”入口里，操作本身很简单：上传照片，输入指令，等待几秒到十几秒。真正决定结果质量的是指令里写了什么。

一个可以直接复制的基础指令是：

修复这张老照片，去除折痕、污渍与破损，提高清晰度，为黑白照片自然上色，保持人物原貌，输出高清图。

如果你对“像不像”格外敏感，应该在指令里加入明确的约束：“不要改变五官比例和脸型，不要做美颜处理，保留皮肤的自然纹理。”豆包支持在生成后继续追加调整指令，比如“颜色再柔和一些”“脸部不要那么光滑”，这比推倒重来更高效。

豆包路线的核心局限在于：你对底层模型的选择几乎没有控制权。人脸相似度的高低取决于它当时调用的模型，而不是你的指令措辞。它的价值在于极低的使用门槛和足够快的初稿生成，适合作为“先看看能修成什么样”的第一步，而不是珍贵照片的最终方案。

4.3 路线三：Nano Banana 2 / Gemini，目前人脸保真度的第一梯队

在2026年的一项受控实测中，研究者故意制作了一张带有28处划痕、折痕、水渍和缺角的1950年代风格家庭照，向六个图像编辑模型发送完全相同的修复指令，并用SSIM（结构相似性）衡量输出与未损坏原图之间的人脸相似度。Nano Banana 2 Edit的人脸相似度得分为0.80，在所有参测模型中最高，且是唯一能够去除全部划痕和缺角、同时保持四张人脸均可辨认的结果。另有用户实测反馈，Gemini/Nano Banana在简单提示词下对40年褪色家庭照片的恢复效果“远好于自己折腾软件”。

Nano Banana路线的优势在于对**“保持不变”这个约束的理解能力**。它更倾向于把修复视为“在保留原信息的前提下移除损伤”，而不是“重新生成一张好看的脸”。代价是它通常需要通过API或特定平台调用，不像手机App那样即点即用。

需要注意的一个反向证据是：DPReview论坛上有用户指出，Gemini系模型在“伪造原图中完全不存在但看起来完美的细节”方面同样很强。这意味着即使它在相似度测试中得分最高，人工逐脸比对仍然是不可省略的步骤。

4.4 路线四：Remini，手机端的“一键好看”与它的代价

Remini是移动端老照片修复中用户基数最大的产品之一，其模型针对人像做了大量优化，皮肤、眼睛和面部细节的处理比通用工具更细致。对于轻微模糊、以人脸为绝对主体的照片，它能在几秒内给出观感相当不错的的结果。

但Remini的定位需要被准确理解。多篇评测一致指出，它的增强过程可能“发明”原图中从未存在的细节，尤其是在严重退化的人脸上，输出结果更准确的定性是“重建”而非“副本”。定价方面，Pro版本约为每周9.99美元，对于一次性修复几张照片的用户来说，订阅成本需要纳入考量。

一个务实的使用建议：把Remini的结果当作**“面部可能长什么样”的参考提案**，而不是最终答案。如果原片本身分辨率尚可、只是轻微模糊，它的风险较低；如果原片人脸已经大面积模糊，它的输出应该被严格对照原始扫描件逐项核对。

4.5 路线五：Topaz Photo AI，为打印和大幅输出准备

Topaz Photo AI在2026年的横向对比中被定位为“打印级专业修复”的选择，个人版年费199美元，提供独立的划痕去除、降噪、人脸增强和放大滑块，支持本地处理。它的强项不是“一键出奇迹”，而是在你有明确输出目标（比如放大到A3打印）时，给你足够细的控制粒度，把每一类退化分开处理。

对于只需要修复一两张手机尺寸照片的用户，Topaz的订阅成本和使用复杂度都偏高。它的价值在批量处理与输出质量控制的场景中才真正显现。

五、主流工具横向对比

工具	运行方式	价格（2026年参考）	人脸保真倾向	核心优势	最不适合的场景
腾讯ARC	网页，微信登录	免费	中等，正脸稳定	免费、多人合影支持好、顺序逻辑清晰	侧脸、严重破损、追求打印级输出
豆包	手机App / 客户端	免费	取决于底层模型	门槛极低、指令调整灵活、中文理解好	对“像不像”有严格要求的珍贵照片
Remini	iOS / Android	约$9.99/周（Pro）	偏低，倾向“美化重建”	人脸细节处理成熟、一键操作	档案级修复、身份确认用途
Nano Banana 2 / Gemini	API / 特定平台	按次计费，约$0.09/张量级	较高，实测人脸相似度领先	对“保持原貌”约束的理解更好	完全离线环境、零成本需求
Topaz Photo AI	桌面本地	$199/年	中高，可控	打印级输出、分项控制、本地隐私	偶尔修一两张的轻度用户
VanceAI	网页	$9/月起（年付）	中等	批量处理与上色的性价比	对面部身份精度要求极高的单张照片

这张表的核心信息不是“谁排第一”，而是保真度、成本和便利性三者之间存在真实的取舍。免费工具在便利性上得分最高，但人脸保真度不稳定；Nano Banana在保真度上目前领先，但不是即点即用的消费品；Remini在移动端体验上最顺滑，但它的算法哲学与“档案修复”的目标存在张力。

六、比“一键修复”更值得掌握的判断力

6.1 人脸是唯一不能交给默认设置的区域

所有AI修复老照片的教程都会讲工具、讲步骤、讲参数，但真正区分一次修复是“有用”还是“有害”的，是对人脸的逐张核对。修复完成后，把输出图放大到100%，和原始扫描件并排放在一起，逐一比对：眼睛的形状有没有变、嘴角的弧度有没有被“修正”、发际线有没有被推高、耳垂的轮廓是否还在。任何一个特征发生了无法用“清晰化”解释的变化，这张输出就不应该被当作“修复完成”的版本使用。

一个容易被忽略的细节是老人和儿童的脸。老人的皱纹和皮肤纹理是身份特征的一部分，但AI倾向于把它们当作“噪点”抹平；儿童的五官比例与成人差异较大，模型在重建时可能不自觉地“催熟”。这两类人脸值得比普通照片多花一倍的时间核对。

6.2 侧脸、遮挡、极小脸：AI的三个硬边界

侧脸超过45度时，人脸先验模型的假设开始失效，五官的透视关系超出了模型擅长的正面或微侧分布。遮挡（眼镜、手、帽子）会让模型在“补全被挡住的部分”和“保留遮挡物”之间做出不确定的选择。而极小脸——合影中远景人物的面部——在输入信息量低于某个阈值之后，任何“修复”本质上都是生成。

这三个边界没有“调参数”的万能解法。务实的选择是：侧脸和遮挡照片优先用保真度参数较高的设置，接受清晰度提升有限；极小脸照片如果用于身份辨认，AI输出只能作为线索，不能作为证据。

6.3 上色的边界：颜色可以讨喜，但不能冒充事实

如果修复目的是家庭档案，上色版本应该始终和黑白原件分开存放，并在文件名或元数据中明确标注“AI着色推测版”。颜色的“自然”和颜色的“正确”是两件事：模型可以让肤色看起来真实，但它无法知道那件衣服在当年究竟是藏蓝还是墨绿。把上色结果当作历史颜色证据使用，是一种隐蔽的信息污染。

6.4 混合修复：2026年真正成熟的工作流

“混合修复”（hybrid restoration）这个概念在2026年已经从实验性做法变成了家庭档案修复的标准实践。它的逻辑很简单：AI做重活，人做判断。AI负责划痕检测、降噪、超分、上色这些耗时且需要逐像素操作的部分；人负责校正AI的误判、修复构图问题、核对人脸身份特征、决定哪些损伤应该保留而不是抹除。

完全手工修复一张严重破损的4×6照片，专业修图师可能需要3到15小时；AI可以在30秒内给出一个“看起来差不多”的版本，但它可能在1947年被截断的手指上“补”出一枚婚戒，或者把一只棕色的狗变成黑色。混合工作流的价值不在于节省时间，而在于把人的注意力集中在照片中承载家庭意义的部分——脸、名字、首饰、制服，以及那些让一张照片成为“这一张”而不是“随便一张老照片”的微小细节。

DIY混合修复的软件成本大致在0到15美元一张的区间，专业服务则在15到75美元一张。对于一张普通家庭留影，免费工具加人工核对可能已经足够；对于唯一一张祖先肖像或破损严重的传家照片，混合流程中的人工判断环节不是可选项，而是修复的定义本身。

七、FAQ：关于AI修复老照片的高频疑问

Q1：AI修复老照片之后，人脸不像本人，还有办法补救吗？

先判断“不像”的来源。如果是上色导致的肤色偏差，关掉上色、只保留清晰化版本通常能改善。如果是人脸重建本身改变了五官，补救空间有限，因为模型已经在信息缺失处“填入”了它认为合理的内容。最有效的策略是回到原始扫描件，换一个保真度更高的模型或参数重新处理，而不是在已经失真的输出上反复调整。

Q2：免费工具和付费工具的核心差距在哪里？

差距不在“能不能修”，而在对人脸的控制粒度和输出是否可复现。免费工具往往隐藏了模型选择和保真度参数，你看到的是一个按钮，背后模型可能随时更换。付费工具（尤其是桌面端）给你分项滑块和本地处理能力，让你能在人脸变形的那一刻停下来，而不是在整张图处理完之后才发现问题。

Q3：严重破损的照片，AI修完还是缺一块，怎么办？

如果缺失区域不涉及人脸和关键身份特征（比如背景的墙角、衣角），AI的填充通常可以接受。如果缺失涉及五官或文字，混合修复是更负责任的选择：用AI完成周边区域的清理和超分，把缺失部分单独交给人工，参照同时期照片或家族记忆进行有依据的补全。纯AI对关键信息的“猜测式补全”，风险高于收益。

Q4：黑白老照片上色，颜色到底准不准？

对人脸肤色和常见衣物的判断通常“大差不差”，对特定年代的织物花色、制服色号、环境颜色，准确率显著下降。上色结果适合作为观感参考和情感礼物，不适合作为颜色事实的依据。保留未上色的黑白修复版本，是对历史信息最基本的尊重。

Q5：修复一张老照片大概需要多长时间？

纯AI生成环节通常几秒到一分钟。但“完成”一张照片的时间包括前置扫描（数分钟）、参数尝试（可能需要2到3轮）、人脸逐张核对（尤其是合影），以及必要的人工修补。一张质量尚可的单人照，整个流程在15到30分钟内可以走完；严重破损或多人合影，时间会显著拉长。

Q6：手机拍的照片能直接用来AI修复吗，还是一定要扫描？

可以用于快速预览，但不应作为珍贵照片的最终输入。手机拍摄引入的透视畸变、反光、不均匀光照和压缩伪影，会被AI当作“需要修复的损伤”来处理，导致修复方向从一开始就偏离。对于你真正在乎的那张照片，花时间做一次平板扫描或规范的复制台拍摄，收益远大于在软件里反复调参。

AI修复老照片这个领域在2026年已经足够成熟，成熟到几乎任何人都能在几分钟内得到一张“看起来修好了”的图。但“看起来修好了”和“修对了”之间的距离，恰恰是这篇教程想让你看见的东西。工具的选择、参数的调整、顺序的安排，都服务于一个更根本的判断：这张照片里的人，还是不是原来那个人。技术可以帮你把划痕去掉、把分辨率拉高、把颜色填上，但它不会替你在深夜里把修复前后的两张脸并排放在一起，替你做那个“像”与“不像”的决定。那个决定，始终是你的。