KI-Gesichtsrestaurierung: GFPGAN vs. CodeFormer im Vergleich

Zuletzt aktualisiert: July 18, 2026

KI-Gesichtsrestaurierung repariert ein unscharfes, niedrig aufgelöstes oder durch Kompression beschädigtes Gesicht, indem sie generativ Details rekonstruiert, die eine Kamera oder ein Scan nie tatsächlich erfasst hat. Fast jedes Restaurierungstool auf dem Markt ist ein Wrapper um eines von zwei Modellen, GFPGAN und CodeFormer, und beide lösen das Problem unterschiedlich: GFPGAN strebt nach einem einzigen scharfen, ansprechenden Ergebnis, während CodeFormer einen Genauigkeitsregler (fidelity) offenlegt, der Identitätstreue gegen visuelle Politur eintauscht. Keines der beiden Modelle stellt echte Informationen wieder her — beide raten — daher ist die Wahl am wichtigsten, wenn das Gesicht auf dem Foto zu jemandem gehört, den Sie tatsächlich kennen.

Kurze Antwort: GFPGAN oder CodeFormer?

Verwenden Sie CodeFormer mit einem Genauigkeitsgewicht (fidelity weight) von 0,7 oder höher, wenn die Identität der Person wichtig ist und Sie begrenzen möchten, wie weit das Modell erfinden darf. Verwenden Sie GFPGAN, wenn Sie eine schnelle, starke, weitgehend automatische Reparatur wünschen und eine gewisse Identitätsabweichung ein akzeptabler Kompromiss für ein saubereres Ergebnis ist. AI Face Restoration führt beide Modelle im Browser aus, sodass Sie dasselbe Foto vor der Wahl direkt nebeneinander vergleichen können.

Wie unterscheiden sich GFPGAN und CodeFormer tatsächlich?

GFPGAN kombiniert einen degradationsbewussten Encoder mit einem festen StyleGAN2-Generator. Es liest das beschädigte Gesicht, bildet es auf den gelernten Raum "plausibler Gesichter" dieses Generators ab und rendert die nächstliegende Übereinstimmung — weshalb sein Ergebnis meist poliert und konsistent wirkt, aber über keinen Regler verfügt, der es zurückhalten könnte.

CodeFormer verfolgt einen anderen Ansatz: Ein Transformer sagt eine Sequenz von Tokens aus einem gelernten diskreten Codebook von Gesichtsausschnitten voraus und rekonstruiert das Gesicht anschließend aus diesen Tokens. Da die Vorhersage in diskreten Schritten erfolgt, kann CodeFormer mithilfe eines einzigen Genauigkeitsgewichts zwischen "nah am echten Input bleiben" und "den vorhergesagten hochwertigen Codes vertrauen" wechseln — dieser Regler ist der gesamte praktische Unterschied zwischen den beiden Modellen.

Beide werden auf synthetisch degradierten Gesichtsdatensätzen trainiert — Unschärfe, JPEG-Kompression, Downscaling, etwas Rauschen — und sind daher auf genau diese Art von Schaden abgestimmt. Keines der beiden ist für einen tatsächlich fehlenden Bereich konzipiert, wie ein zerrissenes Foto oder ein verdecktes Gesicht; das ist Inpainting, ein verwandtes, aber anderes Problem, bei dem dem Modell noch weniger echtes Signal zur Verfügung steht, an dem es sich orientieren kann.

Was kann Gesichtsrestaurierung tatsächlich beheben — und was nicht?

• Kann: plausible Details in unscharfen, niedrig aufgelösten oder JPEG-komprimierten Gesichtern rekonstruieren; Augen, Zähne und den Haaransatz schärfen; brauchbare Ergebnisse bei Gesichtern bis zu einer Höhe von etwa 64 Pixeln liefern.
• Kann nicht: ein Gesicht wiederherstellen, das in der Quelle tatsächlich fehlt, etwa bei einem zerrissenen Foto oder einem verdeckten Gesicht — das Modell erfindet dort Struktur, statt sie zu reparieren.
• Kann nicht: die Identität garantieren. Jede Restaurierung ist eine plausible Rekonstruktion, keine Messung, daher sollten Sie das Ergebnis als Interpretation behandeln — am zuverlässigsten, wenn Sie ein weiteres Foto derselben Person zum Vergleich haben.

Methode 1: Browser-Tool (GFPGAN und CodeFormer)

Verwenden Sie für ein einzelnes Foto AI Face Restoration: Laden Sie eine JPG-, PNG- oder WebP-Datei mit mindestens einem sichtbaren Gesicht hoch, wählen Sie GFPGAN oder CodeFormer, und vergleichen Sie das Ergebnis vor dem Download mit dem Original. Keine Installation, keine Anmeldung, und es funktioniert auf jedem Gerät mit einem Browser.

Methode 2: CodeFormer lokal (Stapelverarbeitung und Genauigkeitskontrolle)

Die offizielle Implementierung von CodeFormer legt das Genauigkeitsgewicht direkt offen und lässt sich für Stapelverarbeitungen skripten. Wählen Sie diesen Weg, wenn Sie viele Fotos mit derselben Einstellung restaurieren, oder wenn ein Projekt eine feinere Identitätskontrolle benötigt, als ein Ein-Klick-Browser-Tool bietet.

Methode 3: Kommerzielle Apps (MyHeritage, Remini und ähnliche)

Consumer-Restaurierungs-Apps verpacken ein Modell im GFPGAN- oder CodeFormer-Stil hinter einer vereinfachten Oberfläche, meist auf Familienfotos abgestimmt. Praktisch für einen technisch nicht versierten Verwandten, aber Sie geben die direkte Kontrolle über den Kompromiss zwischen Genauigkeit und Qualität auf, der bei Gesichtern am wichtigsten ist.

Sollten Sie das Gesicht eines Familienmitglieds restaurieren?

Bei privaten Fotos in der Regel ja. Die Restaurierung eines unscharfen Fotos eines Großelternteils ist ein häufiger, vernünftiger Anwendungsfall, und der emotionale Wert überwiegt meist kleine Ungenauigkeiten. Der AI photo restoration guide behandelt einen Fall, in dem ein Restaurierungsmodell die Kieferlinie einer Großmutter zu einem stockfoto-glatten Gesicht rekonstruierte, das ihre eigenen Kinder nicht vollständig wiedererkannten — eine nützliche Erinnerung, mit einer hohen Genauigkeitseinstellung zu beginnen und das Ergebnis mit dem Original zu vergleichen, bevor Sie ihm vertrauen.

Bei allem, wo eine genaue Identifizierung wichtig ist — ein rechtliches Dokument, das Foto einer vermissten Person, ein Identitätsantrag — verwenden Sie keine generative Restaurierung. Das Ergebnis ist eine plausible Vermutung, keine wiederhergestellte Tatsache, und jeder Prozess, der eine Identität verifiziert, benötigt das echte Bild, nicht die Interpretation einer KI davon.

Wie erzielen Sie das beste Ergebnis?

1. Beginnen Sie mit der höchstmöglichen verfügbaren Quellauflösung; Restaurierung kann keine Informationen hinzufügen, die eine schlecht zugeschnittene oder winzige Quelle nie besaß.
2. Probieren Sie zuerst CodeFormer mit einer Genauigkeit von 0,7, wenn die Person für Sie erkennbar ist — das bewahrt die meiste echte Gesichtsstruktur.
3. Vergleichen Sie das Ergebnis bei 100 % Zoom mit einem Referenzfoto derselben Person; Abweichungen bei Augen, Nasenform und Kieferlinie sind das Erste, was Sie prüfen sollten.
4. Wenn das Ergebnis von GFPGAN "zu perfekt" aussieht, ist es das meist auch — probieren Sie stattdessen CodeFormer mit einer höheren Genauigkeitseinstellung.
5. Restaurieren Sie bei einem Gruppenfoto die Gesichter einzeln statt das gesamte Bild auf einmal; ein einziger globaler Durchlauf mittelt Einstellungen über Gesichter, die möglicherweise unterschiedliche Behandlung benötigen.

Häufige Fehlermuster

• Übermäßig geglättete Haut, die echte Textur auslöscht und in voller Größe synthetisch wirkt.
• Ein generisches "attraktives" Gesicht — scharf, symmetrisch und schablonenhaft, aber nicht mehr ganz die Person.
• Augen und Zähne, die zwischen zwei verschiedenen Fotos derselben Person uneinheitlich restauriert wurden.
• Kleine oder stark zugeschnittene Gesichter unter etwa 64 Pixeln Höhe, bei denen dem Modell kaum noch echtes Signal zur Verfügung steht.

Für alte Fotos, die zusätzlich verblasst, verkratzt oder zerrissen sind, finden Sie im old photo restoration guide die vollständige Reparaturfolge — scannen, strukturelle Reparatur und erst zuletzt KI für Textur und Gesichter.

Häufig gestellte Fragen

Ist GFPGAN oder CodeFormer besser?

Keines ist grundsätzlich besser. GFPGAN liefert eine stärkere Ein-Klick-Reparatur ohne einzustellende Optionen, während das Genauigkeitsgewicht von CodeFormer es Ihnen erlaubt, visuelle Qualität gegen Identitätstreue einzutauschen. Verwenden Sie CodeFormer, wenn die echte Identität der Person wichtig ist, und GFPGAN, wenn ein schnelles, poliertes Ergebnis Priorität hat.

Ist KI-Gesichtsrestaurierung kostenlos?

Ja, AI Face Restoration führt sowohl GFPGAN als auch CodeFormer kostenlos im Browser aus, ohne Anmeldung oder Wasserzeichen auf dem Kern-Tool.

Kann KI-Gesichtsrestaurierung verändern, wie jemand aussieht?

Ja. Beide Modelle synthetisieren plausible Details, statt echte Informationen wiederherzustellen, sodass sie bei zu starker Anwendung die Haut glätten, Gesichtszüge umformen oder in Richtung eines generischen Gesichts abdriften können. Vergleichen Sie das Ergebnis immer mit einem Referenzfoto, bevor Sie ihm vertrauen.

Was ist das CodeFormer-Genauigkeitsgewicht (fidelity weight)?

Eine Einstellung von 0 bis 1, die steuert, wie stark CodeFormer die echte Struktur des minderwertigen Inputs (höhere Genauigkeit) gegenüber seiner vorhergesagten hochwertigen Codebook-Übereinstimmung (niedrigere Genauigkeit, stärker "restauriert", aber weniger genau zur Quelle) bevorzugt.

Kann Gesichtsrestaurierung ein zerrissenes oder beschädigtes Foto reparieren?

Nur die internen Details des Gesichts, nicht fehlende Struktur. Ein unscharfes oder niedrig aufgelöstes Gesicht ist genau das, wofür GFPGAN und CodeFormer trainiert wurden; ein zerrissenes oder verdecktes Gesicht ist ein anderes Problem — Inpainting — mit einer deutlich höheren Wahrscheinlichkeit, Struktur zu erfinden, die nie vorhanden war.

Funktioniert Gesichtsrestaurierung bei alten Schwarz-Weiß-Fotos?

Ja, Auflösung und Unschärfe sind für diese Modelle wichtiger als Farbe. Restaurieren Sie bei einem alten Foto, das zusätzlich verblasst oder verfärbt ist, zuerst das Gesicht und verwenden Sie anschließend den Old Photo Colorizer, wenn Sie auch Farbe hinzufügen möchten.

Bildnachweise

• A collection of vintage black-and-white family photographs — Foto von Suzy Hazelwood auf Pexels
• Hands in black gloves preserving an old photograph — Foto von Tima Miroshnichenko auf Pexels