去年冬天，我们接手了县档案馆一批民国时期户籍卡片的数字化整理工作。这批档案纸张脆化严重，扫描件普遍存在对比度低、人脸模糊、噪点密集的问题，传统锐化滤镜一上就出白边和伪影。正是在这个背景下，我们把 ClearAi：AI图像优化 模块正式接入了档案数字化流水线，下面记录一些实测经验。

一、为什么传统插值算法在档案扫描件上失灵

档案扫描件的老化退化是多维的：纸张纤维纹理、霉斑、折痕、墨迹洇散叠加在一起，双三次插值本质上只是对像素做平滑估计，无法区分「噪点」和「笔迹细节」。而 图片超分增强 走的是另一条路——基于退化模型的反向重建，模型在训练阶段见过大量「低质-高质」配对样本，能推断出被压缩、模糊掉的边缘信息。

具体到我们这套流程，核心是三个环节的配合：

• 退化感知预处理：先对扫描件做分块质量评估，噪声方差超过阈值的区域单独标记，避免全局参数一刀切；
• 多尺度特征融合：4倍超分时，浅层保留纸张纹理，深层重建五官轮廓，两路特征加权合并；
• 人像区域优先策略：户籍卡片的核心价值是人脸，我们启用了 人像高清修复 子模型，对检测到的人脸框单独做一次精修。

二、实操参数与一个容易踩的坑

批量处理时我们用的是 ClearAi 的命令行批处理模式，单张 600dpi 扫描件（约 4800×3600 像素）在 RTX 3060 上耗时约 1.8 秒。参数上有一个经验值得分享：降噪强度不要超过 0.35。早期我们为了追求「干净」把强度拉到 0.6，结果老照片修复后人脸皮肤像塑料，档案原有的纸张颗粒感也被抹平，反而不利于后期考证。

建议的处理顺序是：先去噪（0.25-0.35）→ 再超分（2× 或 4×）→ 最后做轻度锐化（USM 半径 0.8，量 60%）。这个顺序比反过来做，PSNR 平均能高出 1.2dB 左右。

三、一组对比数据

我们抽取了 200 张典型样本做了盲评，由 3 名档案员按 5 分制打分：

• 原始扫描件：平均 2.1 分，人脸五官基本不可辨；
• 传统锐化 + 插值：平均 2.8 分，边缘出现振铃；
• ClearAi 照片清晰度提升 处理后：平均 4.3 分，五官轮廓可辨，文字笔画连贯性明显改善。

客观指标上，样本集平均 PSNR 从 24.6dB 提升至 31.2dB，SSIM 从 0.71 升至 0.89。更关键的是人工核验环节的返工率，从原来的 17% 降到了 4% 以下。

档案数字化的特殊性在于，它既要「好看」更要「可信」。ClearAi 这套 AI图像优化 方案目前已经稳定运行在我们三条数字化产线上，从户籍卡片到老照片修复类项目都在复用。技术终究是工具，能把脆化纸页上的那点人脸信息抢救下来，才算没白折腾。