一、这个工具能帮你做什么

入门

家里翻出来的老照片，往往有折痕、霉斑、发黄，人脸也糊成一团。这个项目就是干这件事的：把一张受损的老照片丢进去，它输出一张干净、上色、人脸清晰的高清图。

它由微软亚洲研究院和香港城市大学联合开发，论文发表在 CVPR 2020（计算机视觉领域的顶级会议）。核心能力拆成三块，你可以理解成流水线上的三个工位：

• 划痕修复：识别并抹掉照片上的折痕、斑点、霉点
• 上色：给黑白照片自动填上合理的颜色
• 人脸增强：把模糊的人脸单独拎出来重画一遍，再贴回去

它不是"滤镜"，而是真的在"重建"图像内容。所以修复结果会有一定的"想象成分"，人脸尤其如此——这是所有生成式 AI（让机器自己"画"出新内容的技术）的通病，不是 bug。

二、跑起来之前，先确认三件事

入门

这个项目不是双击就能用的软件，它需要你在命令行里敲几条指令。别慌，跟着做就行。但有三件事必须先满足，否则后面一定卡住。

第一，你得有一块 NVIDIA 显卡。 项目基于 PyTorch（一个深度学习框架，可以理解成"跑 AI 模型的发动机"），官方只支持 CUDA（NVIDIA 显卡的并行计算接口）。AMD 显卡和 Mac 的 M 系列芯片跑不了，纯 CPU 也能跑但一张图可能要等十几分钟。

第二，显存最好 8GB 以上。 人脸增强模块非常吃显存，6GB 勉强能跑但要调小参数，4GB 基本会直接报"内存不足"。

第三，Python 版本用 3.7 到 3.9。 不要用 3.10 以上，依赖库里的旧版本包会装不上。

如果你没有显卡，也不想折腾环境，README 里提供了一个 Colab 在线 Demo 的链接，可以直接在浏览器里上传照片试用，适合先看看效果再决定要不要本地部署。

三、安装：分四步走

入门

整个安装过程可以类比成"组装一台机器"：先装发动机（PyTorch），再装零件（依赖库），再补两个特殊螺丝（同步批归一化模块），最后装电池（预训练模型）。

第 1 步，创建独立环境。 强烈建议用 conda（一个包管理器，作用类似手机上的"应用商店 + 沙盒"），避免污染你系统里其他 Python 项目：

conda create -n oldphoto python=3.8
conda activate oldphoto

第 2 步，安装 PyTorch。 去 PyTorch 官网找到对应你 CUDA 版本的安装命令，比如 CUDA 11.3 的：

pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html

第 3 步，装项目依赖。 进入项目根目录后执行：

pip install -r requirements.txt

第 4 步，补两个特殊模块。 项目用到了一个第三方的"同步批归一化"实现，必须手动放进两个目录，否则加载模型时会报 ModuleNotFoundError：

cd Face_Enhancement/models/networks/
git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
cd ../../../

cd Global/detection_models
git clone https://github.com/vacancy/Synchronized-BatchNorm-PyTorch
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
cd ../../

四、下载预训练模型

进阶 · 推荐细读

模型文件是这个项目的"大脑"，没有它程序跑不起来。官方把权重放在 OneDrive 上，国内下载会比较慢，建议挂代理或者用离线下载工具。

需要下载两个压缩包，分别解压到指定位置：

• Face_Enhancement/checkpoints.zip → 解压到 Face_Enhancement/checkpoints/
• Global/checkpoints.zip → 解压到 Global/checkpoints/

下载地址在 README 顶部的 "Pretrained Model" 链接里。解压完成后，目录结构应该是这样的：

Face_Enhancement/checkpoints/
├── detection_Resnet50_Final.pth
├── parsing_parsenet.pth
└── ...

Global/checkpoints/
├── mapping_00400000_net_G.pth
└── ...

如果解压后目录套了一层文件夹（比如 checkpoints/checkpoints/xxx.pth），一定要把内层文件挪出来，否则程序找不到模型，会报 FileNotFoundError。

五、三种修复模式怎么选

进阶 · 推荐细读

装好之后，最常用的命令只有三条，对应三种不同的输入情况。先判断你的照片属于哪一类，再选命令，别一股脑全跑。

模式一：照片有划痕、折痕、霉斑。 用完整流程：

python run.py --input_folder ./test_images/old_w_scratch \
              --output_folder ./output \
              --GPU 0

模式二：照片只是模糊、发黄，没有明显破损。 加上 --with_scratch 的反向开关反而会引入伪影，所以直接跑：

python run.py --input_folder ./test_images/old \
              --output_folder ./output \
              --GPU 0

模式三：只想要高清放大，不做修复。 加 --HR 参数：

python run.py --input_folder ./test_images/old \
              --output_folder ./output \
              --GPU 0 --HR

输出目录里会生成多个子文件夹，分别对应"仅上色""仅划痕修复""完整修复"等中间结果。最终成品在 final_output 文件夹里，别拿错图。

六、显存不够怎么办

深入 · 老手可选

如果你跑人脸增强时看到 CUDA out of memory，说明显存被吃满了。有三个调整方向，从简单到麻烦依次尝试：

• 把 --GPU 参数改成单卡，不要多卡并行
• 在 run.py 里找到人脸增强的调用处，把输入图的边长限制调小（默认会做人脸检测再裁剪，裁剪尺寸可以降低）
• 先只跑全局修复（不加人脸增强），把 --with_scratch 和人脸模块拆开跑，中间结果存盘后再单独处理人脸

另外注意，输入图片不要太大。手机拍的老照片动辄 4000 像素宽，直接喂进去大概率爆显存。建议先用系统自带的图片工具把长边压到 1500 像素以内。

七、常见报错对照表

深入 · 老手可选

八、把它接进你的工作流

进阶 · 推荐细读

如果你要批量处理一整个相册，一条条敲命令太慢。项目本身没有提供批处理脚本，但你可以自己包一层 shell 循环：

for f in ./my_album/*.jpg; do
  python run.py --input_folder "$f" --output_folder ./restored --GPU 0
done

注意 run.py 的 --input_folder 接受的是文件夹而不是单个文件，所以更稳妥的做法是把照片按批次放进不同文件夹，分批跑。

项目作者在 README 里明确说明：这是研究代码，没有从产品角度做工程优化，速度和并发都不是它的强项。如果你要做线上服务，建议参考 README 里提到的 Replicate Docker 镜像方案，而不是直接把这份代码塞进生产环境。

最后提醒一句：修复老照片是"创作"而不是"还原"。AI 补出来的细节未必是照片原本的样子，尤其是人脸。用于家族纪念没问题，但不要拿修复结果当作历史考据的依据。

项目信息

参考链接

• GitHub 仓库
• 项目主页

延伸阅读

想继续探索？这些同领域的教程可能也适合你：

• 「PlayEdu」中文使用教程
• 「twenty」中文使用教程
• 「whoogle-search」中文使用教程