Restorasi Wajah AI: Perbandingan GFPGAN vs CodeFormer

Terakhir diperbarui: July 18, 2026

Restorasi wajah AI memperbaiki wajah yang buram, beresolusi rendah, atau rusak akibat kompresi dengan membangun kembali detail secara generatif — detail yang sebenarnya tidak pernah ditangkap oleh kamera atau alat pindai. Hampir semua alat restorasi di pasaran hanyalah pembungkus di atas salah satu dari dua model, GFPGAN dan CodeFormer, dan keduanya menyelesaikan masalah ini dengan cara berbeda: GFPGAN mendorong ke arah satu output yang tajam dan menarik, sementara CodeFormer menyediakan tombol fidelitas yang menukar akurasi identitas dengan kehalusan visual. Tak satu pun benar-benar memulihkan informasi asli — keduanya hanya menebak — sehingga pilihan ini paling penting ketika wajah dalam foto adalah orang yang benar-benar Anda kenal.

Jawaban singkat: GFPGAN atau CodeFormer?

Gunakan CodeFormer dengan bobot fidelitas diatur ke 0,7 atau lebih tinggi ketika identitas orang tersebut penting dan Anda ingin membatasi seberapa jauh model boleh mengarang. Gunakan GFPGAN ketika Anda menginginkan perbaikan cepat, kuat, dan sebagian besar otomatis, dan sedikit pergeseran identitas adalah trade-off yang bisa diterima demi hasil yang lebih bersih. AI Face Restoration menjalankan kedua model di browser sehingga Anda dapat membandingkan foto yang sama secara berdampingan sebelum memilih.

Apa sebenarnya perbedaan antara GFPGAN dan CodeFormer?

GFPGAN memasangkan encoder yang sadar akan degradasi dengan generator StyleGAN2 yang tetap (fixed). Ia membaca wajah yang rusak, memetakannya ke dalam ruang "wajah-wajah yang masuk akal" yang telah dipelajari generator tersebut, lalu me-render kecocokan terdekat — itulah sebabnya outputnya cenderung terlihat halus dan konsisten, tetapi tidak memiliki tombol untuk menahannya.

CodeFormer mengambil pendekatan berbeda: sebuah transformer memprediksi urutan token dari codebook diskret berisi potongan-potongan wajah yang telah dipelajari, lalu merekonstruksi wajah dari token-token tersebut. Karena prediksi terjadi dalam langkah-langkah diskret, CodeFormer dapat mencampur antara "tetap dekat dengan input asli" dan "percaya pada kode berkualitas tinggi yang diprediksi" menggunakan satu bobot fidelitas — kontrol itulah yang menjadi keseluruhan perbedaan praktis antara kedua model.

Keduanya dilatih pada dataset wajah yang sengaja dirusak secara sintetis — blur, kompresi JPEG, downscaling, sedikit noise — sehingga keduanya disetel untuk jenis kerusakan spesifik itu. Tak satu pun dirancang untuk area yang benar-benar hilang, seperti foto yang robek atau wajah yang tertutup; itu adalah inpainting, masalah yang berkaitan tetapi berbeda, di mana model memiliki lebih sedikit lagi sinyal nyata untuk berpegangan.

Apa yang benar-benar bisa diperbaiki oleh restorasi wajah — dan apa yang tidak bisa?

• Bisa: membangun kembali detail yang masuk akal pada wajah yang buram, beresolusi rendah, atau terkompresi JPEG; mempertajam mata, gigi, dan garis rambut; menghasilkan hasil yang bisa dipakai pada wajah setinggi kira-kira 64 piksel.
• Tidak bisa: memulihkan wajah yang benar-benar hilang dari sumbernya, seperti foto yang robek atau wajah yang tertutup — di sana model mengarang struktur, bukan memperbaikinya.
• Tidak bisa: menjamin identitas. Setiap restorasi adalah rekonstruksi yang masuk akal, bukan pengukuran, jadi perlakukan output sebagai interpretasi — paling bisa diandalkan ketika Anda memiliki foto lain dari orang yang sama sebagai pembanding.

Metode 1: Alat browser (GFPGAN dan CodeFormer)

Untuk satu foto, gunakan AI Face Restoration: unggah JPG, PNG, atau WebP dengan setidaknya satu wajah yang terlihat, pilih GFPGAN atau CodeFormer, dan bandingkan hasilnya dengan foto asli sebelum mengunduh. Tanpa instalasi, tanpa pendaftaran, dan berfungsi di perangkat apa pun yang memiliki browser.

Metode 2: CodeFormer secara lokal (kontrol batch dan fidelitas)

Implementasi resmi CodeFormer menyediakan bobot fidelitas secara langsung dan dapat di-scripting untuk pemrosesan batch. Pilih cara ini ketika memulihkan banyak foto dengan pengaturan yang sama, atau ketika sebuah proyek membutuhkan kontrol identitas yang lebih presisi daripada yang ditawarkan alat browser sekali klik.

Metode 3: Aplikasi komersial (MyHeritage, Remini, dan sejenisnya)

Aplikasi restorasi untuk konsumen membungkus model bergaya GFPGAN atau CodeFormer di balik antarmuka yang disederhanakan, biasanya disetel untuk foto keluarga. Praktis untuk kerabat yang tidak paham teknologi, tetapi Anda kehilangan kontrol langsung atas trade-off antara fidelitas dan kualitas yang paling penting pada wajah.

Haruskah Anda memulihkan wajah anggota keluarga?

Untuk foto pribadi, umumnya ya. Memulihkan foto buram kakek atau nenek adalah penggunaan yang umum dan wajar, dan nilai emosionalnya biasanya lebih besar daripada ketidakakuratan kecil. AI photo restoration guide membahas kasus di mana model restorasi membangun kembali garis rahang seorang nenek menjadi wajah semulus foto stok yang bahkan tidak sepenuhnya dikenali oleh anak-anaknya sendiri — pengingat yang berguna untuk mulai dengan pengaturan fidelitas tinggi dan membandingkannya dengan foto asli sebelum mempercayai hasilnya.

Untuk apa pun yang membutuhkan identifikasi akurat — dokumen hukum, foto orang hilang, aplikasi identitas — jangan gunakan restorasi generatif. Output-nya adalah tebakan yang masuk akal, bukan fakta yang dipulihkan, dan proses apa pun yang memverifikasi identitas membutuhkan gambar asli, bukan interpretasi AI atasnya.

Bagaimana cara mendapatkan hasil terbaik?

1. Mulailah dengan sumber beresolusi setinggi mungkin; restorasi tidak dapat menambahkan informasi yang tidak pernah dimiliki oleh sumber yang dipotong buruk atau terlalu kecil.
2. Coba CodeFormer pada fidelitas 0,7 terlebih dahulu jika orang tersebut Anda kenali — ini mempertahankan sebagian besar struktur wajah asli.
3. Bandingkan hasilnya dengan foto referensi orang yang sama pada zoom 100%; pergeseran pada mata, bentuk hidung, dan garis rahang adalah hal pertama yang perlu diperiksa.
4. Jika hasil GFPGAN terlihat "terlalu sempurna", biasanya memang begitu — coba CodeFormer dengan pengaturan fidelitas yang lebih tinggi.
5. Pada foto grup, pulihkan wajah satu per satu, bukan seluruh bingkai sekaligus; satu proses global tunggal merata-ratakan pengaturan di seluruh wajah yang mungkin membutuhkan penanganan berbeda.

Mode kegagalan umum

• Kulit yang terlalu dihaluskan sehingga menghapus tekstur asli dan terlihat sintetis pada ukuran penuh.
• Wajah "menarik" yang generik — tajam, simetris, dan seperti template, tetapi sudah tidak lagi benar-benar orang tersebut.
• Mata dan gigi yang dipulihkan secara tidak konsisten antara dua foto berbeda dari orang yang sama.
• Wajah kecil atau terpotong berat, di bawah kira-kira 64 piksel, di mana model hampir tidak memiliki sinyal asli yang tersisa untuk dikerjakan.

Untuk foto lama yang juga pudar, tergores, atau robek, lihat old photo restoration guide untuk urutan perbaikan lengkap — pindai, perbaikan struktural, lalu AI untuk tekstur dan wajah paling akhir.

Pertanyaan yang sering diajukan

Mana yang lebih baik, GFPGAN atau CodeFormer?

Tak satu pun yang secara universal lebih baik. GFPGAN memberikan perbaikan sekali klik yang lebih kuat tanpa pengaturan yang perlu disesuaikan, sementara bobot fidelitas CodeFormer memungkinkan Anda menukar kualitas visual dengan akurasi identitas. Gunakan CodeFormer ketika identitas asli orang tersebut penting, dan GFPGAN ketika hasil yang cepat dan halus menjadi prioritas.

Apakah restorasi wajah AI gratis?

Ya, AI Face Restoration menjalankan GFPGAN dan CodeFormer secara gratis di browser, tanpa pendaftaran atau watermark pada alat intinya.

Bisakah restorasi wajah AI mengubah penampilan seseorang?

Ya. Kedua model mensintesis detail yang masuk akal, bukan memulihkan informasi asli, sehingga jika didorong terlalu jauh keduanya dapat menghaluskan kulit, membentuk ulang fitur wajah, atau bergeser menuju wajah yang generik. Selalu bandingkan hasilnya dengan foto referensi sebelum mempercayainya.

Apa itu bobot fidelitas CodeFormer?

Pengaturan dari 0 hingga 1 yang mengontrol seberapa besar CodeFormer mengutamakan struktur asli dari input berkualitas rendah (fidelitas lebih tinggi) dibandingkan kecocokan codebook berkualitas tinggi yang diprediksinya (fidelitas lebih rendah, lebih "dipulihkan" tetapi kurang akurat terhadap sumber aslinya).

Bisakah restorasi wajah memperbaiki foto yang robek atau rusak?

Hanya detail internal wajah, bukan struktur yang hilang. Wajah yang buram atau beresolusi rendah adalah persis apa yang dilatihkan pada GFPGAN dan CodeFormer; wajah yang robek atau tertutup adalah masalah yang berbeda — inpainting — dengan kemungkinan jauh lebih tinggi untuk mengarang struktur yang sebenarnya tidak pernah ada.

Apakah restorasi wajah berfungsi pada foto hitam-putih lama?

Ya, resolusi dan blur lebih berpengaruh daripada warna bagi model-model ini. Untuk foto lama yang juga pudar atau berubah warna, pulihkan wajahnya terlebih dahulu, lalu gunakan Old Photo Colorizer jika Anda juga ingin menambahkan warna.

Kredit gambar

• Kumpulan foto keluarga hitam-putih vintage — foto oleh Suzy Hazelwood di Pexels
• Tangan bersarung tangan hitam melestarikan foto lama — foto oleh Tima Miroshnichenko di Pexels