老照片修复的核心难点在于：划痕、噪点、褪色往往同时存在，且人像区域对纹理真实度要求极高。ClearAi 的老照片修复管线采用「退化建模 + 分区域重建」思路，先由退化评估网络判定损伤类型与程度，再调度超分与修复子模块协同处理，避免单一模型过拟合某类缺陷。

技术实现：三阶段处理链路

实际推理分为三个阶段，参数配置直接影响输出质量：

• 退化评估：输出划痕掩膜、噪点方差、色偏矩阵，置信度低于 0.7 的区域转入人工复核队列；
• 图片超分增强：采用 4× ESRGAN 变体，PSNR 在 DIV2K 验证集约 31.2dB，人脸区域额外接入五官先验约束；
• 人像高清修复：对皮肤、发丝、织物分通道重建，纹理合成强度默认 0.65，过高会产生「塑料感」。

质量评估：客观指标与主观校验结合

单看 PSNR 容易失真。我们的评估流程要求同时记录 LPIPS（感知相似度，目标值 ≤0.12）、NIQE（无参考质量，目标 ≤4.5）以及人脸区域的身份一致性（ArcFace 余弦相似度 ≥0.92）。主观侧采用双盲 5 分制，重点看眼角、唇线、发际线三处是否出现结构漂移。

注意事项与常见问题

批量处理时建议关闭「激进去噪」，否则细颗粒胶片质感会被抹平；扫描件分辨率低于 300dpi 时，照片清晰度提升的空间有限，强行放大易放大伪影。常见问题是修复后肤色偏冷，多因白平衡矩阵与退化模型耦合过紧，可在 ClearAi：AI图像优化 面板中手动锁定色温基准。

另一类高频反馈是「眼睛发直」——本质是超分网络对人眼高光缺乏约束。我们增加镜面高光检测分支后，该问题复现率从 18% 降至 6% 左右。

整体来看，老照片修复不是单一模型的胜负，而是退化评估精度、超分保真度与主观审美的三方平衡。把评估指标写进流程、把人工复核留在环内，才是图片超分增强落地到真实业务场景的稳妥做法。