CodeFormer 适用场景：老照片、AI 生图、视频、划痕修复分别怎么用

什么退化适合 CodeFormer

CodeFormer 的核心优势是对中等退化的人脸做稳健修复。所谓"中等退化"指的是：人脸结构还能辨认、五官位置没完全糊掉，但画质差——模糊、噪点、压缩伪影、轻微变形。

这和 GFPGAN 互补：GFPGAN 对严重退化（马赛克、重度模糊）更激进，但容易改人；CodeFormer 对还能认出人的场景，修复后保持本人的概率更高。

场景一：老照片修复（最经典用法）

老照片通常的退化类型：

• 扫描后的模糊和噪点
• 年代久产生的划痕和斑点
• JPEG 重压缩伪影
• 部分区域褪色或偏色

推荐配置：

• w = 0.6 ~ 0.8（身份优先，别把父辈长辈修成网红脸）
• 如果照片是黑白的，先跑 colorization 脚本上色再跑修复，或者用带颜色增强的权重
• 整图处理加 --bg_upsampler realesrgan 把背景一起拉高

不适合的情况：照片已经完全糊成一团、连五官轮廓都看不清——此时 CodeFormer 不管 w 设多少，都只能编一张"像样的脸"出来，不是本人。

场景二：AI 生图后处理

Stable Diffusion、Midjourney 这类模型生成的人脸经常有：

• 多只眼睛、手指错乱（经典 AI 生图崩坏）
• 五官比例怪、皮肤有生成伪影
• 分辨率低

推荐配置：

• w = 0.2 ~ 0.4（画面优先——AI 生图的人本来就不是真人，不存在"保真"问题，让它看起来自然就行）
• 因为是 AI 生图，人脸通常对齐得不错，直接走 --has_aligned 流程更快
• SD WebUI / ComfyUI 里通常作为后处理节点，放在生成链路的末端

优势：CodeFormer 对 AI 生图崩坏的修复效果优于 GFPGAN，因为它不会往 GAN 见过的真人脸上靠，而是保留 AI 生图的风格特征。

场景三：视频逐帧增强

视频人脸增强需要额外考虑：

• 时间一致性：相邻帧的人脸不能一帧一个样子
• 性能：30fps 视频意味着每秒要修 30 张脸

CodeFormer 是逐帧处理的（没有显式时间约束），但因为 Codebook token 是确定性的，同一人的相邻帧通常会预测出相似的 token 序列，时间一致性反而比 GAN 方法好一些。

推荐配置：

• w = 1.0（视频场景身份优先，不要让同一人前后帧长得不一样）
• 加 --bg_upsampler realesrgan --face_upsample 整图拉高
• 显存至少 12GB，长视频考虑分段处理
• Windows/Mac 需要先装 ffmpeg

场景四：划痕、涂鸦、遮挡修复（Inpainting）

CodeFormer 还有独立的 inpainting 脚本 inference_inpainting.py：

• 用白色画笔在 Photoshop / GIMP 里涂掉要修复的区域
• 脚本会把白色区域当作 mask，只修复被遮住的部分

推荐配置：

• 这是独立的修复流程，不走 w 权重（修复场景不需要质量/保真度权衡）
• mask 不要画得太大——超过人脸 30% 的遮挡修复效果会明显下降
• 纯人脸区域修复，背景遮挡用其他 inpainting 工具（如 LaMa）

场景五：黑白照片上色

官方提供了独立的 inference_colorization.py：

• 只接受裁切对齐的 512×512 人脸
• 不上色背景区域
• 颜色风格是训练集（FFHQ 彩色图）里学到的"自然肤色"，不是写实还原

适合：老照片头像上色、证件照翻新不适合：需要精准还原历史颜色的场景（如博物馆数字化）

场景六：视频聊天 / 直播实时增强

这个场景 CodeFormer 不适合。原因：

• 单张 512×512 推理需要 100-300ms（取决于 GPU）
• 实时视频需要 < 33ms/帧（30fps）
• 有专门的轻量模型（如 GFPGANv1.4 的轻量版、Real-ESRGAN-anime）做实时增强

什么时候 CodeFormer 不如 GFPGAN

一句话选场景

手里有一张还能认出是谁但画质不好的人脸图 → CodeFormer；手里有一张连是谁都看不出来的人脸图 → GFPGAN；要修视频 → CodeFormer（w=1.0 + 分段）；上色 → 官方 colorization 脚本。