Restauración facial con IA: GFPGAN vs CodeFormer comparados

Última actualización: July 18, 2026

La restauración facial con IA repara un rostro borroso, de baja resolución o dañado por compresión, reconstruyendo de forma generativa detalles que una cámara o un escáner nunca llegaron a capturar. Casi todas las herramientas de restauración del mercado son en realidad una envoltura alrededor de uno de dos modelos, GFPGAN y CodeFormer, y cada uno resuelve el problema de forma distinta: GFPGAN apunta a una única salida nítida y atractiva, mientras que CodeFormer expone un control de fidelidad que intercambia precisión de identidad por acabado visual. Ninguno recupera información real — ambos adivinan — así que la elección importa más cuando el rostro de la foto pertenece a alguien que realmente conoces.

Respuesta rápida: ¿GFPGAN o CodeFormer?

Usa CodeFormer con el peso de fidelidad ajustado a 0.7 o más cuando la identidad de la persona importa y quieres limitar hasta qué punto el modelo puede inventar. Usa GFPGAN cuando quieras una reparación rápida, potente y prácticamente automática, y cierta desviación de identidad sea un intercambio aceptable por un resultado más pulido. AI Face Restoration ejecuta ambos modelos en el navegador para que puedas comparar la misma foto lado a lado antes de elegir.

¿En qué se diferencian realmente GFPGAN y CodeFormer?

GFPGAN combina un codificador consciente de la degradación con un generador StyleGAN2 fijo. Lee el rostro dañado, lo proyecta en el espacio aprendido de «rostros plausibles» de ese generador, y renderiza la coincidencia más cercana — por eso su salida tiende a verse pulida y consistente, pero no tiene ningún control para contenerla.

CodeFormer adopta un enfoque distinto: un transformer predice una secuencia de tokens a partir de un codebook discreto aprendido de fragmentos de rostros, y luego reconstruye el rostro a partir de esos tokens. Como la predicción ocurre en pasos discretos, CodeFormer puede mezclar entre «mantenerse cerca de la entrada real» y «confiar en los códigos de alta calidad predichos» usando un único peso de fidelidad — ese control es toda la diferencia práctica entre los dos modelos.

Ambos se entrenan con conjuntos de datos de rostros degradados sintéticamente — desenfoque, compresión JPEG, reducción de resolución, algo de ruido — así que están ajustados para ese tipo específico de daño. Ninguno está diseñado para una región genuinamente faltante, como una foto rasgada o un rostro ocluido; eso es inpainting, un problema relacionado pero distinto en el que el modelo tiene incluso menos señal real en la que anclarse.

¿Qué puede arreglar realmente la restauración facial — y qué no puede?

• Puede: reconstruir detalle plausible en rostros borrosos, de baja resolución o comprimidos en JPEG; agudizar ojos, dientes y la línea del cabello; producir resultados utilizables en rostros de hasta aproximadamente 64 píxeles de alto.
• No puede: recuperar un rostro que está genuinamente ausente de la fuente, como una foto rasgada o un rostro ocluido — el modelo inventa estructura ahí en lugar de repararla.
• No puede: garantizar la identidad. Cada restauración es una reconstrucción plausible, no una medición, así que trata el resultado como una interpretación — es más fiable cuando tienes otra foto de la misma persona para comparar.

Método 1: Herramienta de navegador (GFPGAN y CodeFormer)

Para una sola foto, usa AI Face Restoration: sube un JPG, PNG o WebP con al menos un rostro visible, elige GFPGAN o CodeFormer, y compara el resultado con el original antes de descargarlo. Sin instalación, sin registro, y funciona en cualquier dispositivo con navegador.

Método 2: CodeFormer en local (control de lotes y fidelidad)

La implementación oficial de CodeFormer expone directamente el peso de fidelidad y es programable por lotes. Elige esta vía cuando restaures muchas fotos con el mismo ajuste, o cuando un proyecto necesite un control de identidad más fino del que ofrece una herramienta de navegador de un clic.

Método 3: Aplicaciones comerciales (MyHeritage, Remini y similares)

Las aplicaciones de restauración para consumidores envuelven un modelo de estilo GFPGAN o CodeFormer detrás de una interfaz simplificada, generalmente ajustada para fotos familiares. Conveniente para un familiar no técnico, pero renuncias al control directo sobre el equilibrio entre fidelidad y calidad que más importa en los rostros.

¿Deberías restaurar el rostro de un familiar?

Para fotos personales, en general sí. Restaurar una foto borrosa de un abuelo o abuela es un uso común y razonable, y el valor emocional suele superar pequeñas imprecisiones. La AI photo restoration guide cubre un caso en el que un modelo de restauración reconstruyó la mandíbula de una abuela hasta convertirla en un rostro tan suave como el de una foto de stock que sus propios hijos no reconocieron del todo — un recordatorio útil de empezar con un ajuste de fidelidad alto y comparar con el original antes de confiar en el resultado.

Para cualquier caso en el que la identificación precisa importe — un documento legal, la foto de una persona desaparecida, una solicitud de identidad — no uses restauración generativa. El resultado es una suposición plausible, no un hecho recuperado, y cualquier proceso que verifique identidad necesita la imagen real, no la interpretación que una IA hace de ella.

¿Cómo obtener el mejor resultado?

1. Empieza con la fuente de mayor resolución disponible; la restauración no puede añadir información que una fuente mal recortada o diminuta nunca tuvo.
2. Prueba primero CodeFormer con fidelidad 0.7 si reconoces a la persona — eso conserva la mayor parte de la estructura facial real.
3. Compara el resultado con una foto de referencia de la misma persona al 100% de zoom; la desviación en ojos, forma de la nariz y mandíbula es lo primero que hay que revisar.
4. Si el resultado de GFPGAN se ve «demasiado perfecto», normalmente lo es — prueba CodeFormer con un ajuste de fidelidad más alto en su lugar.
5. En una foto grupal, restaura los rostros individualmente en lugar de todo el encuadre a la vez; un único pase global promedia los ajustes entre rostros que pueden necesitar tratamientos distintos.

Modos de fallo comunes

• Piel excesivamente suavizada que borra la textura real y se percibe como sintética a tamaño completo.
• Un rostro genérico «atractivo» — nítido, simétrico y con aspecto de plantilla, pero que ya no es del todo la persona.
• Ojos y dientes restaurados de forma inconsistente entre dos fotos distintas de la misma persona.
• Rostros pequeños o muy recortados, de menos de aproximadamente 64 píxeles de alto, donde el modelo casi no tiene señal real con la que trabajar.

Para fotos antiguas que además están descoloridas, rayadas o rasgadas, consulta la old photo restoration guide para la secuencia completa de reparación — escanear, reparación estructural y, por último, la IA para textura y rostros.

Preguntas frecuentes

¿Es mejor GFPGAN o CodeFormer?

Ninguno es universalmente mejor. GFPGAN ofrece una reparación de un clic más potente sin ajustes que configurar, mientras que el peso de fidelidad de CodeFormer te permite intercambiar calidad visual por precisión de identidad. Usa CodeFormer cuando la identidad real de la persona importa, y GFPGAN cuando la prioridad es un resultado rápido y pulido.

¿Es gratuita la restauración facial con IA?

Sí, AI Face Restoration ejecuta tanto GFPGAN como CodeFormer de forma gratuita en el navegador, sin registro ni marca de agua en la herramienta principal.

¿Puede la restauración facial con IA cambiar el aspecto de alguien?

Sí. Ambos modelos sintetizan detalle plausible en lugar de recuperar información real, así que si se llevan demasiado lejos pueden suavizar la piel, remodelar rasgos o derivar hacia un rostro genérico. Compara siempre el resultado con una foto de referencia antes de confiar en él.

¿Qué es el peso de fidelidad de CodeFormer?

Un ajuste de 0 a 1 que controla cuánto favorece CodeFormer la estructura real de la entrada de baja calidad (fidelidad más alta) frente a su coincidencia predicha de alta calidad del codebook (fidelidad más baja, más «restaurado» pero menos fiel a la fuente).

¿Puede la restauración facial arreglar una foto rasgada o dañada?

Solo el detalle interno del rostro, no la estructura faltante. Un rostro borroso o de baja resolución es exactamente para lo que están entrenados GFPGAN y CodeFormer; un rostro rasgado u ocluido es un problema distinto — inpainting — con una probabilidad mucho mayor de inventar estructura que nunca existió.

¿Funciona la restauración facial en fotos antiguas en blanco y negro?

Sí, para estos modelos la resolución y el desenfoque importan más que el color. Para una foto antigua que además está descolorida o desteñida, restaura primero el rostro y luego usa el Old Photo Colorizer si también quieres añadir color.

Créditos de imágenes

• Una colección de fotografías familiares vintage en blanco y negro — foto por Suzy Hazelwood en Pexels
• Manos con guantes negros preservando una fotografía antigua — foto por Tima Miroshnichenko en Pexels