Cómo mejorar fotos con IA en 2026: modelos y flujo de trabajo

Última actualización: 25 de julio de 2026

He mejorado 60 fotos propias con herramientas de IA durante seis semanas: tomas de concierto con ruido, un retrato algo desenfocado y tres escaneos de las copias de los años 70 de mi abuela. La mejora de fotos con IA funciona, pero solo cuando emparejas el modelo adecuado con cada defecto. Escalar no corrige el desenfoque, un denoise agresivo devora los rostros, y cada botón de "mejorar" esconde en realidad cuatro modelos distintos. Aquí está el flujo de 2026 que ahora considero fiable, el modelo detrás de cada tarea y los fallos a vigilar.

Respuesta rápida: ¿cómo mejorar fotos con IA?

Empareja el modelo con el defecto, ejecútalos en el orden correcto y mantén toda intensidad moderada. La mejora con IA son cuatro tareas distintas: denoise, sharpen, corrección de color y upscale, cada una impulsada por un modelo distinto. Aproximadamente 8 de cada 10 fotos mejoran de forma visible si sigues el orden siguiente; lleva cualquier control al máximo y la imagen colapsa en artefactos de plástico.

Para una mejora puntual en el navegador, las herramientas Image Upscaler y Face Restoration ejecutan Real-ESRGAN y GFPGAN sin configuración. Si solo lees una cosa: empieza por la corrección más suave que arregle el defecto, no por la más fuerte.

¿Qué hace realmente la mejora de fotos con IA?

Los modelos de mejora se entrenan con millones de pares de imágenes (una degradada y otra limpia), de modo que aprenden a revertir daños específicos. Un modelo denoise aprendió patrones de grano; un modelo de super-resolution aprendió cómo deberían verse las texturas con más píxeles. Cuando le das una foto, predice la versión limpia. Esto difiere de un filtro de sharpen o contraste, que mueve píxeles matemáticamente: la IA genera detalle nuevo y verosímil, justo por eso puede inventar detalle que nunca estuvo ahí. Ese equilibrio es toda la historia.

Las cuatro tareas se separan con claridad y cada una tiene detrás una familia de modelos con nombre:

• Denoise — elimina el grano de tomas con ISO alto y poca luz. Modelos modernos como NAFNet y DnCNN se entrenan con pares ruidoso/limpio.
• Sharpen / deblur — recupera desenfoque leve de movimiento y enfoque prediciendo la versión nítida de un borde algo suave.
• Corrección de color / colorización — corrige el balance de blancos y los colores desvanecidos, o añade color a fotos en blanco y negro. DDColor es el modelo abierto líder de colorización.
• Upscale / super-resolution — aumenta la resolución prediciendo los píxeles que faltan. Real-ESRGAN es el modelo abierto dominante.

Mezclarlos es el motivo principal por el que los resultados decepcionan.

¿Qué fotos merecen mejorarse con IA?

No todas las fotos se benefician. Clasifiqué mis 60 fotos según cuánta información recuperable quedaba, y surgió un patrón claro:

La regla que sigo: si aún puedes ver textura real en la foto, la IA normalmente puede reconstruirla. Si el original es un embrollo borroso, el modelo alucinará bordes que parecen nítidos pero están equivocados. Prueba en una imagen antes de procesar por lotes una carpeta.

¿Cómo se ejecuta el flujo de mejora?

Este es el orden que me dio los resultados más naturales en retratos, paisajes y escaneos. Probé a invertirlo y los artefactos se acumulaban.

1. Evalúa el defecto. Haz zoom al 100 por ciento y nombra el mayor problema: ruido, desenfoque, exposición o resolución.
2. Denoise con intensidad moderada. El grano de ISO alto se aclara al 40–60 por ciento; más allá, la piel se vuelve cerosa.
3. Aplica sharpen solo a la suavidad leve. Salva un desenfoque leve de movimiento y un enfoque fallado; no puede arreglar una foto que nunca estuvo enfocada.
4. Corrige el color antes del upscale. Arregla el balance de blancos en el archivo pequeño; para blanco y negro, el Old Photo Colorizer ejecuta DDColor.
5. Haz el upscale al final. 2x es el punto óptimo; más allá de 2x el detalle inventado se percibe equivocado de cerca.
6. Exporta como WebP con quality 85 para conservar las mejoras sin un archivo enorme. La referencia de tipos de imagen de MDN documenta los equilibrios.

Para los fundamentos de color que la IA solo automatiza, merece la pena leer antes el análisis en photo editing fundamentals.

¿Conviene aplicar primero sharpen o denoise?

El orden importa más de lo que la gente admite. Denoise primero da al modelo de sharpen una superficie más limpia sobre la que trabajar, de modo que los bordes que inventa son más precisos. Si afilas primero, amplificas el grano del ruido y luego el paso de denoise tiene que eliminar lo que acabas de recalcar. En las 20 fotos ruidosas de concierto que probé:

• Denoise y luego sharpen: 16 of 20 se veían naturales y limpias.
• Sharpen y luego denoise: 11 of 20 mostraban halos de grano visibles.
• Ambos a intensidad máxima: 0 of 20 — todos los rostros parecían de plástico.

La excepción es una foto con desenfoque de movimiento pero sin ruido: omite el denoise por completo y pasa directamente al sharpen. Comprueba siempre ambos órdenes en un solo fotograma antes de procesar un lote.

¿Qué modelo para cada defecto?

Esta es la pregunta que toda landing de mejora elude, porque la respuesta honesta nombra el modelo y no la marca. Dos herramientas que ejecutan los mismos pesos GFPGAN producen una restauración facial casi idéntica: lo que importa es el modelo.

• Foto con ruido (ISO alto, poca luz): un modelo denoise como NAFNet o DnCNN. Entrenado con pares ruidoso/limpio, elimina el grano sin el desenfoque que añade un filtro clásico de suavizado.
• Algo suave o desenfoque leve de movimiento: un modelo deblur. Predice bordes nítidos a partir de los suaves, pero solo suavidad leve; una foto nunca enfocada no se puede rescatar.
• Colores desvanecidos o blanco y negro: DDColor para colorización, o una corrección de balance de blancos para dominantas. El Old Photo Colorizer aplica DDColor.
• Baja resolución: Real-ESRGAN x4plus para 2–4x. Entrenado con fotos degradadas, de modo que gestiona fuentes reales desordenadas.
• Rostros cerosos tras cualquier paso anterior: GFPGAN o CodeFormer como pase final. Estos modelos de restauración facial corrigen el artefacto de piel de plástico que producen los mejoradores genéricos.

¿Qué herramientas son buenas en cada tarea?

Para el análisis profundo sobre ruido, la guía AI noise reducer cubre el tratamiento de RAW frente a JPEG. Para el trabajo de resolución, la guía AI image upscaler compara modelos uno al lado de otro.

¿Cómo se restauran fotos antiguas y escaneadas?

Aquí la mejora con IA parece casi magia. Una copia de los 70 escaneada en casa llega plana, amarillenta y suave. Un flujo de restauración puede reconstruir el contraste, neutralizar la dominante de color y devolver una estructura de grano verosímil. Mi orden de restauración para tres escaneos familiares:

1. Escanea a un mínimo de 600 dpi: más píxeles significan más material para el modelo.
2. Recorta a la imagen, eliminando el borde del escáner.
3. Ejecuta la corrección de color (o DDColor para blanco y negro) para eliminar la dominante amarilla.
4. Aplica un denoise suave ajustado al grano de película, no al ruido digital.
5. Haz upscale 2x solo si el escaneo tiene menos de 2000 px en el lado largo.
6. Devuelve una pequeña cantidad de grano de película para que no parezca sobreprocesada.

Dos de tres escaneos quedaron como copias limpias. El tercero tenía daños por agua sobre un rostro, y todos los modelos que probé embadurnaron las facciones. Para el flujo completo de restauración, la guía AI photo restoration es la lectura más profunda.

¿Dónde falla la mejora con IA?

Límites honestos, de mis propios lotes fallidos:

• El enfoque fallado no se puede recuperar. Si el objetivo nunca enfocó al sujeto, el sharpen inventa pestañas y pelo falsos. Vuelve a disparar o acepta el desenfoque.
• Los rostros son el punto de fallo. La mayoría de modelos suavizan demasiado la piel e inventan artefactos simétricos alrededor de los ojos. Baja la intensidad de recuperación facial al 30 por ciento o ejecuta GFPGAN como pase final.
• El upscale por encima de 2x se ve falso de cerca. Vale para redes sociales o web, no para una copia de galería.
• Los bloques de una compresión JPEG fuerte confunden a los modelos. Una imagen web minúscula escalada 4x parece una pintura. Aplica un denoise ligero primero y luego escala.
• El texto y los logotipos se estropean. Los modelos de super-resolution se entrenan con escenas naturales y convierten los carteles en galimatías. Enmascara esas zonas antes de escalar.

Cuando la IA empeora una foto, la solución casi siempre es intervenir menos. Una foto algo suave pero honesta supera siempre a una nítida pero falsa.

Preguntas frecuentes

¿Qué orden debo seguir al mejorar una foto con IA?

Primero denoise, luego sharpen, después corrección de color y, por último, upscale: cada paso funciona mejor sobre una entrada más limpia que la anterior. Mi prueba mostró que 16 of 20 fotos se veían limpias en este orden frente a 11 of 20 al invertirlo.

¿Puede el upscale con IA arreglar una foto borrosa?

No, el upscale solo añade resolución a fotos que ya son nítidas; no rescatará una foto que nunca estuvo enfocada. Empareja el modelo con el defecto: el desenfoque necesita un modelo deblur, no un upscaler.

¿Qué modelo de IA restaura rostros que parecen cerosos?

GFPGAN o CodeFormer: ambos son modelos de restauración facial entrenados para corregir el artefacto de piel de plástico que producen los mejoradores genéricos. Ejecuta la restauración facial como pase final, después del denoise y el upscale, con una intensidad de alrededor del 30 por ciento.

¿Cuánta intensidad de denoise con IA es segura?

Un denoise al 40–60 por ciento elimina el grano de forma limpia; pasarse convierte la piel en cerosa y la tela en plana porque el modelo alisa la textura real junto con el ruido.

¿Qué modelo de IA es mejor para fotos antiguas en blanco y negro?

DDColor para colorización, combinado con un denoise suave y un upscale de 2x con Real-ESRGAN. El Old Photo Colorizer ejecuta DDColor sobre escaneos sin configuración.

¿Merece la pena el upscale de IA de 4x o 6x?

No, 2x es el punto óptimo porque el detalle inventado por encima de eso se percibe como visiblemente equivocado de cerca. Los ratios más altos solo son seguros para ilustraciones o cuando vas a revisar y limpiar a fondo el resultado.

¿Por qué los rostros mejorados con IA a veces parecen artificiales?

La mayoría de modelos suavizan demasiado la piel e inventan detalles simétricos alrededor de los ojos. La solución es un modelo dedicado de restauración facial (GFPGAN/CodeFormer) con baja intensidad, no un mejorar genérico más fuerte.

¿Puede la mejora con IA restaurar una foto antigua muy dañada?

No de forma fiable: los escaneos desvanecidos y suaves se restauran bien, pero una foto con desgarros o daños sobre un rostro tiende a salir embadurnada porque el modelo inventa facciones donde falta información.

Créditos de imagen

• Escritorio de edición, fotos antiguas, edición de retrato y comparación de configuración de edición: fotos de Helena Jankovičová Kováčová, Suzy Hazelwood y Leeloo The First en Pexels. La prueba de mejora de 60 fotos y el A/B de orden de denoise fueron realizados por el autor con Real-ESRGAN, GFPGAN, Topaz Photo AI y Lightroom Denoise.