不少客户手里都有泛黄、折痕甚至霉斑的老照片，扫描后往往发现细节丢失严重。近期我们承接了几个家族影像数字化项目，发现原始底片扫描分辨率普遍在600dpi以上，但实际有效清晰度受限于相纸老化程度。如何在保留历史质感的同时完成照片清晰度提升，成了实施中的关键课题。

老照片退化的三个主要成因

从技术角度看，老照片的清晰度损失并非单一因素：

• 银盐颗粒迁移：黑白照片存放超过20年，乳剂层银盐颗粒会出现团聚，导致局部对比度下降；
• 纸张纤维断裂：相纸反复弯折产生的微裂纹在扫描时表现为高频噪声；
• 色彩层偏移：彩色照片的青色与品红染料层衰减速率不同，直接导致色偏与细节模糊。

这些问题叠加后，单纯靠传统锐化滤镜只会放大噪点，必须引入基于深度学习的ClearAi：AI图像优化流程进行分步处理。

分阶段实施方案与清晰度评估

我们的实施方案分为预处理、超分增强、人像精修三个阶段。预处理阶段先做中值滤波去噪与直方图均衡化，为后续模型提供干净输入。这里的关键是图片超分增强环节——采用ESRGAN变体模型将扫描件放大2倍至4倍，同时通过感知损失约束纹理生成，避免“塑料感”。

评估要点需要量化指标支撑：我们通常用PSNR与SSIM作为基础参考，但针对人像高清修复场景，更看重面部关键点区域的局部锐度梯度。实际操作中建议设置三个阈值：

1. 眼部区域梯度均值不低于原始扫描件的1.3倍；
2. 皮肤区域高频能量占比控制在15%以内，防止过度锐化；
3. 背景纹理的SSIM值保持在0.85以上，确保场景真实感。

需要提醒的是，老照片修复不能一味追求“高清”，年代感的光晕与柔和边缘有时正是影像价值的一部分。我们会在输出前提供2至3档强度版本供客户选择。

实践中的参数调优建议

在ClearAi：AI图像优化工具链中，去噪强度与超分倍率存在耦合关系。根据我们近半年的项目数据，当原始扫描件噪点标准差超过12时，建议先将去噪强度设为0.6至0.7，再进行2倍超分，这样比直接4倍超分的面部PSNR平均高出1.8dB。对于霉斑密集的严重退化照片，则需要先做掩膜修补再进入增强流程，否则模型容易将霉斑纹理误判为细节进行放大。

团队目前正在测试将清晰度评估指标嵌入批处理脚本，让照片清晰度提升的效果判定从主观经验转向半自动化。后续计划把评估模块开放给客户做预处理自检，减少反复沟通成本。