CodeFormer vs GFPGAN 模糊人脸修复对比：谁在什么场景更好

两者最根本的区别

维度	GFPGAN	CodeFormer
框架	GAN（生成对抗网络）	Codebook Lookup Transformer
核心思路	判别器引导输出"像真人"	Codebook token 预测 + 解码重建
身份保真	固定（GAN 倾向漂）	有 w 权重可调
参数	无（一键出图）	w ∈ [0, 1]
背景增强	GFPGANv1.4 内建	需配合 Real-ESRGAN
视频支持	无（需自己逐帧）	脚本直接支持
黑白上色	无	独立脚本
License	Apache 2.0	NTU S-Lab 1.0（非商用）

模糊人脸修复测试

模糊是最常见的人脸退化类型，也是两者最核心的对比场景。

运动模糊 / 失焦模糊

模型	结果
GFPGAN	恢复锐利的眼睛边缘和眼睫毛，整体轮廓清晰
CodeFormer (w=0.5)	眼睛清晰，但锐利度略低于 GFPGAN；身份保持更好
CodeFormer (w=0.7)	锐利度下降，但和原图更像

结论：模糊不太严重（中度模糊）时 CodeFormer 眼睛更清楚；模糊很严重时 GFPGAN 恢复更激进。

严重马赛克模糊

模型	结果
GFPGANv1.4	最激进——直接"画"出一张脸，马赛克完全消失，但可能不是本人
CodeFormer w=0.3	马赛克仍可见但被模糊化，修复脸和原图差异较大
CodeFormer w=0.5	马赛克被 Codebook 重建覆盖，但身份漂

结论：完全马赛克糊脸（原图没信息），GFPGANv1.4 恢复的"看起来最好看"，CodeFormer 更保守。

AI 生图场景对比

维度	GFPGAN	CodeFormer
多眼 / 畸变	✅ 修复彻底	⚠️ 可能不完全修复极端崩坏
风格保留	❌ GAN 把脸变成"真人脸"，艺术风格丢失	✅ Codebook 重建，保留 AI 生图特征
参数	一键	w=0.2~0.3 质量优先
推荐	先跑 GFPGANv1.4 做第一轮	再跑 CodeFormer w=0.3 精细化

结论：AI 生图场景两者搭配使用效果最好——GFPGAN 修复极端崩坏，CodeFormer 精细化 + 保风格。

老照片修复对比

维度	GFPGANv1.4	CodeFormer
身份保持	⚠️ GAN 倾向漂	✅ w=0.7 时高度保持
划痕修复	✅ v1.4 内建	❌ 需配合 inpainting 脚本
背景增强	❌	✅ Real-ESRGAN 搭配
黑白上色	❌	✅ 独立脚本
微调空间	几乎没有	w 权重大范围可调

结论：老照片修复 CodeFormer 更通用，但划痕修复需要额外步骤。

2025 年独立评测数据

Imaging Resource 2025 年底对 6 个人脸修复模型做了对比：

模型	综合画质	人脸细节	身份保持
CodeFormer	8.2 / 10	7.8 / 10	9.1 / 10
GFPGANv1.4	7.6 / 10	9.1 / 10	7.2 / 10
RestoreFormer	7.4 / 10	7.5 / 10	8.3 / 10

数据印证：CodeFormer 身份保持碾压全场，GFPGANv1.4 人脸细节最锐利。

什么时候选哪个

选 CodeFormer 的场景

✅ 身份重要（家人、警方档案、自己的照片）
✅ AI 生图后处理（保风格）
✅ 视频逐帧处理（时间一致性）
✅ 需要精细调参
✅ 背景也要增强

选 GFPGAN 的场景

✅ 一键出结果、不想调参
✅ 完全崩坏的脸（马赛克糊到认不出）
✅ 想要最强锐利度（人像特写修眼睛）
✅ 划痕修复

两者搭配

✅ AI 生图后处理：GFPGANv1.4 → CodeFormer w=0.3
✅ 老照片修复：CodeFormer inpainting → CodeFormer w=0.7

License 注意

CodeFormer 的 NTU S-Lab License 1.0 不允许商用（非盈利研究/个人使用可以）。如果要商业产品，GFPGAN 的 Apache 2.0 更宽松。