一张十年前的家庭合影，放大后脸部只剩模糊色块；监控截图中的人像，五官轮廓几乎不可辨认。这类场景在图像处理实践中极为常见——分辨率不足与人脸细节丢失，往往同时发生。

传统 bicubic 插值能把 200×200 的人脸拉到 800×800，但像素只是被"摊开"，高频细节并不会凭空生成。真正的问题在于：超分与修复必须协同完成，单独做其中一项，效果都会打折扣。

ClearAi 的双引擎架构

ClearAi：AI图像优化模块将任务拆为两条并行链路：

• 人像高清修复链路：基于人脸关键点检测，先对齐五官区域，再用生成式模型重建眼部、唇部、皮肤纹理等高频细节，避免"塑料脸"效应。
• 图片超分增强链路：采用多尺度残差网络，在 2×/4× 放大倍率下分别训练，边缘锐度与噪点抑制同步优化。

两条链路的输出在融合层做加权拼接，人脸区域权重偏向修复结果，背景区域偏向超分结果。实测在 4× 放大场景下，PSNR 较单一超分模型提升约 1.8dB。

老照片修复的特殊处理

老照片修复面对的不只是分辨率问题，还有划痕、褪色、噪点叠加。ClearAi 在这一环节引入了分阶段策略：先去噪与划痕掩码修复，再做照片清晰度提升，最后统一色彩校正。顺序不能颠倒——先超分再去噪，会把划痕一起放大。

选型时建议关注三个指标：人脸区域的 LPIPS 感知距离、背景纹理的 SSIM 结构相似度、以及单张 4× 处理耗时。三者需要根据实际业务场景做权衡，并非一味追求最高倍率。

从落地情况看，人像高清修复与图片超分增强在安防取证、家庭影像数字化、电商主图优化等方向已有成熟需求，ClearAi 的模块化设计也便于按场景灵活调用。