老照片场景推荐 w 值：家人长辈别修成网红脸

老照片的典型退化

老照片几乎总是混合退化——扫描模糊 + 褪色 + 压缩伪影 + 可能的划痕。

核心原则：身份优先

老照片修复最容易踩的坑就是把家人长辈修成网红脸——皮肤磨得过于光滑、眼睛变得过于对称、皱纹全部抹掉。这不是"修复"，这是"换脸"。

所以老照片场景的 w 值不能太小：

父母长辈的照片 → w = 0.6 ~ 0.8

python inference_codeformer.py -w 0.7 \
    --bg_upsampler realesrgan --face_upsample \
    --input_path my_mom_1985.jpg

为什么 w=0.7 适合：

• 70% 的原图特征被保留（皱纹、肤色、小痣、不对称都在）
• 30% 的 Codebook 补充（补足模糊的细节、校正轻微偏色）
• 既"清楚了"又"还是她"

如果 w=0.3 会怎样

• 皱纹可能被磨掉（Codebook 里的"理想人脸"都没皱纹）
• 肤色变得过于光滑
• 原本的不对称眼型被 Codebook 拉得对称
• 看起来不像长辈了

分退化程度的推荐

轻度退化（扫描清晰、JPEG 伪影少）

# w 大一点，保住细节
python inference_codeformer.py -w 0.8 --input_path photo.jpg

轻度退化意味着原图本身信息还很完整，CodeFormer 的工作主要是"增强细节 + 上采样"，不需要大幅重建。w 大保住原图特征。

中度退化（扫描模糊 + 轻微划痕 + 压缩伪影）

# w 居中，两边都帮
python inference_codeformer.py -w 0.65 --input_path photo.jpg

中度退化需要 Codebook 补足一些细节，但原图还能看清是谁，不能改得太狠。

重度退化（严重模糊 + 大面积划痕 + 褪色）

# w 小一点，让 Codebook 多帮忙
python inference_codeformer.py -w 0.5 --input_path photo.jpg

重度退化时原图信息缺失太多，w=0.5 让 Codebook 多参与重建。但注意：w=0.5 可能会产生"身份漂"——如果家人看完觉得"不太像"，往 w=0.7 调。

黑白老照片

上色 + 修复两步走：

# 第一步：裁脸对齐
python scripts/crop_align_face.py -i old_bw_photo.jpg -o face.png

# 第二步：上色
python inference_colorization.py --input_path face.png

# 第三步：修复（上色后的脸）
python inference_codeformer.py -w 0.7 --has_aligned \
    --input_path results/colorization/

老照片完整工作流

老照片原件（纸质 / 数码扫描件）
  ↓
预处理（裁脸对齐 → 512×512）
  ↓
检测划痕 / 污渍（Photoshop 白色画笔 mask）
  ↓
区域修复（inference_inpainting.py）← 有划痕才做
  ↓
上色（inference_colorization.py）← 黑白照片才做
  ↓
全局增强（inference_codeformer.py -w 0.7）
  ↓
背景增强（--bg_upsampler realesrgan）
  ↓
后期微调（Photoshop）

对比图提示

CodeFormer 官方项目页有丰富的老照片修复对比图，可以参考：

• 首页 imgsli 交互式对比滑条（前后拖动看效果）
• restoration_result1-4（修复后 vs 原图）
• color_enhancement_result1-2（上色 + 修复）

和 GFPGAN 选哪个

对于老照片修复，两者都是顶级选择，但各有侧重：

如果你的核心需求是"老照片修复且保持本人身份"，CodeFormer 调 w=0.7 通常优于 GFPGAN。