CodeFormer 保真度权重 w 详解：质量与身份该怎么平衡
w 权重是 CodeFormer 的灵魂
GFPGAN 没有 w 权重——它是个纯生成模型，输出只有一个"看起来最像真人"的结果。CodeFormer 不一样：它在质量和身份之间给了你一把精确的滑块。
这个滑块的工作原理在 模型原理 页已经解释过：w 控制残差连接的信息流量。这里聚焦于怎么用它。
w 值的两端
w = 0：纯 Codebook 重建
python inference_codeformer.py -w 0 --input_path face.jpg- 输出画面最干净、最漂亮
- 皮肤纹理、眼睛细节会被 Codebook 里匹配到的视觉原子替换
- 风险：如果 Codebook 里找不到和原图完全匹配的纹理，模型会选"最像的"——可能把你的痣去掉、把眼型微调、把皮肤磨得过于光滑
- 适用：AI 生图后处理（本来就不是真人，不存在"改人"问题）、只想得到一张好看的头像
w = 1：最大身份保真
python inference_codeformer.py -w 1 --input_path face.jpg- 模型会尽量从原图里保留一切能保留的信息
- 原图里的噪点、轻微模糊、偏色也会被一起保留下来
- 风险：当原图退化严重时，w=1 的结果可能"什么都想保但什么都没修好"
- 适用：有明确身份识别需求的场景（警方档案修复、名人照片）、视频逐帧处理（保持时间一致性）
w = 0.5（默认）
- 居中策略，两边都妥协一点
- 对大多数日常场景够用
实际观察：w 值变化的视觉规律
从 0 到 1 滑动时，你会观察到：
- 皮肤纹理：w 越小，皮肤越光滑（Codebook 里匹配到的都是高质量皮肤纹理）；w 越大，原图的粗糙皮肤、毛孔、小痣会逐步回来
- 眼睛区域：w 最敏感的区域之一。w=0 时瞳孔颜色、反光点可能被改写；w=1 时能保住原图的反光点
- 轮廓边缘：w 小，脸型可能被微调得更对称；w 大，保持原图脸型
- 背景融合：整图处理时，w 越大，人脸和背景的交界越自然（因为保留了更多原图的空间特征）
分场景推荐 w 值
| 场景 | 推荐 w | 理由 |
|---|---|---|
| 老照片修复（家人长辈） | 0.6 ~ 0.8 | 身份优先，别把长辈修成网红脸 |
| 老照片（年代久远、褪色） | 0.5 ~ 0.6 | 平衡画质和身份 |
| AI 生图后处理 | 0.2 ~ 0.4 | 本来就不是真人，要自然就行 |
| 人像特写（美颜增强） | 0.3 ~ 0.5 | 皮肤光滑但五官不崩 |
| 警方档案 / 身份证照片 | 0.8 ~ 1.0 | 身份绝对优先 |
| 视频逐帧处理 | 1.0 | 保证同一人前后帧长相一致 |
| JPEG 重压缩 artifact | 0.5 ~ 0.7 | 去伪影但保住细节 |
调参技巧
方法一：对比三张（快）
在 HuggingFace Demo 或本地 CLI 同时跑三张：w=0.3 / 0.6 / 0.9，肉眼比对选最满意的。
方法二：线性插值（精）
如果有 GPU 时间，可以跑 w=0 到 w=1 每 0.1 一张，观察哪一张从"开始变丑"到"开始变不像本人"——取中间值。
方法三：先跑小 w，再逐步加大
先跑 w=0 看纯 Codebook 重建能修到什么程度，然后逐步加大 w 直到"开始像原图本人"为止，取那个临界点。
w 权重的底层限制
w 权重不是万能的，有两个硬限制：
1. 原图没信息，w=1 也救不了
如果原图的眼睛区域完全糊了，w=1 只能保留"糊的眼睛"，它不会凭空变出眼球细节。此时 w 再大也只是把模糊放大。
2. w 是线性标量，不是区域感知
整张脸用同一个 w 值。你不能指定"眼睛区域用 w=0.8、皮肤区域用 w=0.2"。如果需要区域差异化处理，就得用其他工具（如局部 mask 的 inpainting）配合。
和 GFPGAN 的对比
GFPGAN 没有 w 权重，但有一个隐含的"风格"——它的 GAN 判别器倾向于输出看起来像"网红脸"的结果。所以：
- 如果你的目标是"尽量像本人"，CodeFormer + 大 w 永远优于 GFPGAN
- 如果你的目标是"只要好看就行"，GFPGAN 一键足够
小结
w 权重是 CodeFormer 最值得花时间研究的特性。对于每张图，先想清楚：这张图里，"好看"和"像本人"哪个更重要？然后选 w 值。大多数人的默认起点可以是 w=0.6，再往两边调。