Restauration faciale par IA : GFPGAN contre CodeFormer

Mis à jour : July 18, 2026

La restauration faciale par IA répare un visage flou, de basse résolution ou endommagé par la compression, en reconstruisant de façon générative des détails qu'un appareil photo ou un scanner n'a jamais réellement capturés. Presque tous les outils de restauration du marché ne sont qu'une enveloppe autour de l'un de deux modèles, GFPGAN et CodeFormer, et ils résolvent le problème différemment : GFPGAN vise une seule sortie nette et attrayante, tandis que CodeFormer expose un curseur de fidélité qui échange la précision d'identité contre la finition visuelle. Aucun des deux ne récupère de vraie information — les deux devinent — donc le choix compte surtout quand le visage sur la photo appartient à quelqu'un que vous connaissez réellement.

Réponse rapide : GFPGAN ou CodeFormer ?

Utilisez CodeFormer avec le poids de fidélité réglé à 0,7 ou plus lorsque l'identité de la personne compte et que vous voulez limiter jusqu'où le modèle est autorisé à inventer. Utilisez GFPGAN lorsque vous voulez une réparation rapide, puissante et presque entièrement automatique, et qu'une certaine dérive d'identité est un compromis acceptable pour un résultat plus net. AI Face Restoration exécute les deux modèles dans le navigateur afin que vous puissiez comparer la même photo côte à côte avant de choisir.

En quoi GFPGAN et CodeFormer diffèrent-ils réellement ?

GFPGAN associe un encodeur sensible à la dégradation à un générateur StyleGAN2 fixe. Il lit le visage endommagé, le projette dans l'espace appris de « visages plausibles » de ce générateur, et affiche la correspondance la plus proche — c'est pourquoi son résultat tend à paraître soigné et cohérent, mais sans aucun curseur pour le retenir.

CodeFormer adopte une approche différente : un transformer prédit une séquence de jetons à partir d'un codebook discret appris de fragments de visages, puis reconstruit le visage à partir de ces jetons. Comme la prédiction se fait par étapes discrètes, CodeFormer peut osciller entre « rester proche de l'entrée réelle » et « faire confiance aux codes prédits de haute qualité » à l'aide d'un seul poids de fidélité — ce réglage constitue toute la différence pratique entre les deux modèles.

Les deux sont entraînés sur des jeux de données de visages dégradés de façon synthétique — flou, compression JPEG, réduction de résolution, un peu de bruit — ils sont donc ajustés pour ce type de dommage spécifique. Aucun des deux n'est conçu pour une région véritablement manquante, comme une photo déchirée ou un visage occulté ; c'est de l'inpainting, un problème connexe mais différent, où le modèle dispose d'encore moins de signal réel sur lequel s'appuyer.

Que peut réellement corriger la restauration faciale — et que ne peut-elle pas faire ?

• Peut : reconstruire un détail plausible sur des visages flous, en basse résolution ou compressés en JPEG ; affiner les yeux, les dents et la ligne des cheveux ; produire des résultats exploitables sur des visages allant jusqu'à environ 64 pixels de haut.
• Ne peut pas : récupérer un visage qui est véritablement absent de la source, comme une photo déchirée ou un visage occulté — le modèle y invente une structure plutôt que de la réparer.
• Ne peut pas : garantir l'identité. Chaque restauration est une reconstruction plausible, pas une mesure, donc traitez le résultat comme une interprétation — la plus fiable lorsque vous disposez d'une autre photo de la même personne pour comparer.

Méthode 1 : Outil navigateur (GFPGAN et CodeFormer)

Pour une seule photo, utilisez AI Face Restoration : téléchargez un JPG, PNG ou WebP avec au moins un visage visible, choisissez GFPGAN ou CodeFormer, et comparez le résultat à l'original avant de le télécharger. Aucune installation, aucune inscription, et cela fonctionne sur n'importe quel appareil avec un navigateur.

Méthode 2 : CodeFormer en local (traitement par lots et contrôle de la fidélité)

L'implémentation officielle de CodeFormer expose directement le poids de fidélité et peut être scriptée pour des lots. Choisissez cette voie lorsque vous restaurez de nombreuses photos avec le même réglage, ou lorsqu'un projet nécessite un contrôle d'identité plus fin que celui offert par un outil navigateur en un clic.

Méthode 3 : Applications commerciales (MyHeritage, Remini et similaires)

Les applications de restauration grand public enveloppent un modèle de type GFPGAN ou CodeFormer derrière une interface simplifiée, généralement optimisée pour les photos de famille. Pratique pour un proche peu technophile, mais vous perdez le contrôle direct sur le compromis fidélité-qualité qui compte le plus sur les visages.

Faut-il restaurer le visage d'un membre de la famille ?

Pour les photos personnelles, en général oui. Restaurer une photo floue d'un grand-parent est un usage courant et raisonnable, et la valeur émotionnelle l'emporte généralement sur de petites imprécisions. Le AI photo restoration guide présente un cas où un modèle de restauration a reconstruit la mâchoire d'une grand-mère en un visage aussi lisse qu'une photo de stock, que ses propres enfants n'ont pas pleinement reconnu — un rappel utile de commencer avec un réglage de fidélité élevé et de comparer avec l'original avant de faire confiance au résultat.

Pour tout ce où l'identification précise compte — un document juridique, la photo d'une personne disparue, une demande d'identité — n'utilisez pas la restauration générative. Le résultat est une supposition plausible, pas un fait récupéré, et tout processus qui vérifie une identité a besoin de l'image réelle, pas de l'interprétation qu'en fait une IA.

Comment obtenir le meilleur résultat ?

1. Commencez avec la source disponible la plus haute résolution ; la restauration ne peut pas ajouter d'information qu'une source mal recadrée ou minuscule n'a jamais eue.
2. Essayez d'abord CodeFormer à une fidélité de 0,7 si vous reconnaissez la personne — cela conserve l'essentiel de la structure faciale réelle.
3. Comparez le résultat à une photo de référence de la même personne à 100 % de zoom ; la dérive des yeux, de la forme du nez et de la mâchoire est la première chose à vérifier.
4. Si le résultat de GFPGAN semble « trop parfait », c'est généralement le cas — essayez plutôt CodeFormer avec un réglage de fidélité plus élevé.
5. Sur une photo de groupe, restaurez les visages individuellement plutôt que le cadre entier d'un coup ; un seul passage global moyenne les réglages entre des visages qui peuvent avoir besoin d'un traitement différent.

Modes d'échec courants

• Une peau trop lissée qui efface la texture réelle et paraît synthétique en taille réelle.
• Un visage générique « séduisant » — net, symétrique et standardisé, mais qui n'est plus tout à fait la personne.
• Des yeux et des dents restaurés de façon incohérente entre deux photos différentes de la même personne.
• Des visages petits ou fortement recadrés, de moins d'environ 64 pixels de haut, où le modèle ne dispose presque plus d'aucun signal réel pour travailler.

Pour les vieilles photos qui sont aussi délavées, rayées ou déchirées, consultez le old photo restoration guide pour la séquence complète de réparation — scan, réparation structurelle, puis IA pour la texture et enfin les visages.

Questions fréquemment posées

GFPGAN ou CodeFormer, lequel est le meilleur ?

Aucun des deux n'est universellement meilleur. GFPGAN offre une réparation en un clic plus puissante, sans réglage à ajuster, tandis que le poids de fidélité de CodeFormer vous permet d'échanger la qualité visuelle contre la précision d'identité. Utilisez CodeFormer quand la véritable identité de la personne compte, et GFPGAN quand la priorité est un résultat rapide et soigné.

La restauration faciale par IA est-elle gratuite ?

Oui, AI Face Restoration exécute à la fois GFPGAN et CodeFormer gratuitement dans le navigateur, sans inscription ni filigrane sur l'outil principal.

La restauration faciale par IA peut-elle changer l'apparence de quelqu'un ?

Oui. Les deux modèles synthétisent un détail plausible plutôt que de récupérer une information réelle, donc poussés trop loin, ils peuvent lisser la peau, remodeler les traits ou dériver vers un visage générique. Comparez toujours le résultat à une photo de référence avant de lui faire confiance.

Qu'est-ce que le poids de fidélité de CodeFormer ?

Un réglage de 0 à 1 qui contrôle dans quelle mesure CodeFormer favorise la structure réelle de l'entrée de basse qualité (fidélité plus élevée) par rapport à sa correspondance de codebook haute qualité prédite (fidélité plus basse, plus « restauré » mais moins fidèle à la source).

La restauration faciale peut-elle réparer une photo déchirée ou endommagée ?

Seulement le détail interne du visage, pas la structure manquante. Un visage flou ou en basse résolution est exactement ce pour quoi GFPGAN et CodeFormer sont entraînés ; un visage déchiré ou occulté est un problème différent — l'inpainting — avec une probabilité bien plus élevée d'inventer une structure qui n'a jamais existé.

La restauration faciale fonctionne-t-elle sur les vieilles photos en noir et blanc ?

Oui, la résolution et le flou comptent plus que la couleur pour ces modèles. Pour une vieille photo qui est aussi délavée ou décolorée, restaurez d'abord le visage, puis utilisez le Old Photo Colorizer si vous voulez aussi ajouter de la couleur.

Crédits images

• Une collection de photographies de famille vintage en noir et blanc — photo par Suzy Hazelwood sur Pexels
• Mains en gants noirs préservant une vieille photographie — photo par Tima Miroshnichenko sur Pexels