Pemulihan Wajah AI: Perbandingan GFPGAN dengan CodeFormer

Dikemaskini kali terakhir: July 18, 2026

Pemulihan wajah AI membaiki wajah yang kabur, beresolusi rendah, atau rosak akibat mampatan dengan membina semula perincian secara generatif — perincian yang tidak pernah ditangkap oleh kamera atau pengimbas. Hampir setiap alat pemulihan di pasaran adalah pembungkus (wrapper) di sekitar salah satu daripada dua model, GFPGAN dan CodeFormer, dan kedua-duanya menyelesaikan masalah ini secara berbeza: GFPGAN cenderung ke arah satu output tunggal yang tajam dan menarik, manakala CodeFormer mendedahkan kawalan fidelity yang menukar ketepatan identiti dengan kehalusan visual. Tiada satu pun memulihkan maklumat sebenar — kedua-duanya meneka — jadi pilihan itu paling penting apabila wajah dalam foto itu adalah orang yang benar-benar anda kenali.

Jawapan ringkas: GFPGAN atau CodeFormer?

Gunakan CodeFormer dengan pemberat fidelity ditetapkan pada 0.7 atau lebih tinggi apabila identiti orang itu penting dan anda mahu mengehadkan sejauh mana model dibenarkan mencipta. Gunakan GFPGAN apabila anda mahukan pembaikan yang pantas, kuat, dan hampir automatik sepenuhnya, dan sedikit peralihan identiti adalah pertukaran yang boleh diterima untuk hasil yang lebih bersih. AI Face Restoration menjalankan kedua-dua model dalam pelayar supaya anda boleh membandingkan foto yang sama secara bersebelahan sebelum membuat pilihan.

Apa sebenarnya perbezaan antara GFPGAN dan CodeFormer?

GFPGAN memadankan pengekod yang sedar-kerosakan (degradation-aware encoder) dengan penjana StyleGAN2 yang tetap. Ia membaca wajah yang rosak, memetakannya ke dalam ruang "wajah munasabah" yang dipelajari oleh penjana itu, dan menghasilkan padanan yang paling hampir — itulah sebabnya outputnya cenderung kelihatan licin dan konsisten, tetapi tiada kawalan untuk menahannya.

CodeFormer mengambil pendekatan yang berbeza: transformer meramalkan satu urutan token daripada kod buku diskret (discrete codebook) tampalan wajah yang dipelajari, kemudian membina semula wajah daripada token-token itu. Oleh kerana ramalan itu berlaku dalam langkah diskret, CodeFormer boleh mencampurkan antara "kekal hampir dengan input sebenar" dan "percayakan kod berkualiti tinggi yang diramal" menggunakan satu pemberat fidelity sahaja — kawalan itu adalah keseluruhan perbezaan praktikal antara kedua-dua model.

Kedua-dua model dilatih menggunakan set data wajah yang dirosakkan secara sintetik — kabur, mampatan JPEG, penurunan skala, sedikit hingar — jadi ia ditala khusus untuk jenis kerosakan tersebut. Tiada satu pun direka untuk kawasan yang benar-benar hilang, seperti foto yang koyak atau wajah yang tertutup; itu adalah inpainting, satu masalah berkaitan tetapi berbeza di mana model mempunyai lebih sedikit isyarat sebenar untuk berpaut.

Apa yang sebenarnya boleh dibaiki oleh pemulihan wajah — dan apa yang tidak boleh?

• Boleh: membina semula perincian yang munasabah pada wajah yang kabur, beresolusi rendah, atau termampat JPEG; menajamkan mata, gigi, dan garis rambut; menghasilkan keputusan yang boleh digunakan pada wajah serendah kira-kira 64 piksel tinggi.
• Tidak boleh: memulihkan wajah yang benar-benar hilang daripada sumber, seperti foto yang koyak atau wajah yang tertutup — model mencipta struktur di situ, bukannya membaikinya.
• Tidak boleh: menjamin identiti. Setiap pemulihan adalah pembinaan semula yang munasabah, bukan pengukuran, jadi anggap output itu sebagai tafsiran — paling boleh dipercayai apabila anda mempunyai foto lain bagi orang yang sama untuk dibandingkan.

Kaedah 1: Alat pelayar (GFPGAN dan CodeFormer)

Untuk satu foto, gunakan AI Face Restoration: muat naik JPG, PNG, atau WebP dengan sekurang-kurangnya satu wajah yang jelas kelihatan, pilih GFPGAN atau CodeFormer, dan bandingkan hasilnya dengan asal sebelum memuat turun. Tiada pemasangan, tiada pendaftaran, dan ia berfungsi pada mana-mana peranti dengan pelayar.

Kaedah 2: CodeFormer secara tempatan (kawalan kelompok dan fidelity)

Pelaksanaan rasmi CodeFormer mendedahkan pemberat fidelity secara langsung dan boleh diskripkan untuk kelompok. Pilih laluan ini apabila memulihkan banyak foto dengan tetapan yang sama, atau apabila projek memerlukan kawalan identiti yang lebih halus daripada yang didedahkan oleh alat pelayar sekali klik.

Kaedah 3: Aplikasi komersial (MyHeritage, Remini, dan sepertinya)

Aplikasi pemulihan pengguna membungkus model bergaya GFPGAN atau CodeFormer di sebalik antara muka yang dipermudahkan, biasanya ditala untuk foto keluarga. Mudah untuk saudara-mara yang tidak arif teknologi, tetapi anda melepaskan kawalan langsung ke atas pertukaran fidelity-berbanding-kualiti yang paling penting pada wajah.

Patutkah anda memulihkan wajah ahli keluarga?

Untuk foto peribadi, secara umumnya ya. Memulihkan foto datuk atau nenek yang kabur adalah kegunaan yang biasa dan munasabah, dan nilai emosinya biasanya mengatasi ketidaktepatan kecil. Panduan pemulihan foto AI meliputi satu kes di mana model pemulihan membina semula garis rahang seorang nenek menjadi wajah yang licin seperti foto stok yang tidak sepenuhnya dikenali oleh anak-anaknya sendiri — peringatan berguna untuk mula dengan tetapan fidelity yang tinggi dan membandingkannya dengan asal sebelum mempercayai hasilnya.

Untuk apa sahaja yang memerlukan pengenalan tepat — dokumen undang-undang, foto orang hilang, permohonan identiti — jangan gunakan pemulihan generatif. Outputnya adalah tekaan yang munasabah, bukan fakta yang dipulihkan, dan mana-mana proses yang mengesahkan identiti memerlukan imej sebenar, bukan tafsiran AI terhadapnya.

Bagaimana anda mendapatkan hasil terbaik?

1. Mulakan dengan sumber beresolusi tertinggi yang ada; pemulihan tidak boleh menambah maklumat yang tidak pernah wujud pada sumber yang dipotong dengan buruk atau kecil.
2. Cuba CodeFormer pada fidelity 0.7 dahulu jika orang itu dikenali oleh anda — ini mengekalkan sebahagian besar struktur wajah sebenar.
3. Bandingkan hasilnya dengan foto rujukan bagi orang yang sama pada zum 100%; peralihan pada mata, bentuk hidung, dan garis rahang adalah perkara pertama yang perlu diperiksa.
4. Jika output GFPGAN kelihatan "terlalu sempurna," biasanya memang begitu — cuba CodeFormer pada tetapan fidelity yang lebih tinggi sebagai gantinya.
5. Pada foto kumpulan, pulihkan wajah secara individu berbanding keseluruhan bingkai sekali gus; satu pusingan global purata tetapan merentasi wajah yang mungkin memerlukan rawatan berbeza.

Mod kegagalan biasa

• Kulit yang terlalu dilicinkan yang menghapuskan tekstur sebenar dan kelihatan sintetik pada saiz penuh.
• Wajah "menarik" yang generik — tajam, simetri, dan seperti templat, tetapi tidak lagi menyerupai orang itu sepenuhnya.
• Mata dan gigi dipulihkan secara tidak konsisten antara dua foto berbeza bagi orang yang sama.
• Wajah kecil atau yang dipotong secara ketat, di bawah kira-kira 64 piksel tinggi, di mana model hampir tiada isyarat sebenar untuk digunakan.

Untuk foto lama yang juga pudar, bercalar, atau koyak, lihat panduan pemulihan foto lama untuk urutan pembaikan penuh — imbas, pembaikan struktur, kemudian AI untuk tekstur dan wajah pada akhir sekali.

Soalan Lazim

Adakah GFPGAN atau CodeFormer lebih baik?

Tiada satu pun yang lebih baik secara universal. GFPGAN memberikan pembaikan satu klik yang lebih kuat tanpa tetapan untuk diselaraskan, manakala pemberat fidelity CodeFormer membolehkan anda menukar kualiti visual dengan ketepatan identiti. Gunakan CodeFormer apabila identiti sebenar orang itu penting dan GFPGAN apabila hasil yang pantas dan licin adalah keutamaan.

Adakah pemulihan wajah AI percuma?

Ya, AI Face Restoration menjalankan kedua-dua GFPGAN dan CodeFormer secara percuma dalam pelayar, tanpa pendaftaran atau tera air pada alat teras.

Bolehkah pemulihan wajah AI mengubah rupa seseorang?

Ya. Kedua-dua model mensintesis perincian yang munasabah berbanding memulihkan maklumat sebenar, jadi jika didorong terlalu jauh ia boleh melicinkan kulit, membentuk semula ciri-ciri, atau menyimpang ke arah wajah generik. Sentiasa bandingkan hasilnya dengan foto rujukan sebelum mempercayainya.

Apakah pemberat fidelity CodeFormer?

Satu tetapan dari 0 hingga 1 yang mengawal sejauh mana CodeFormer mengutamakan struktur sebenar input berkualiti rendah (fidelity lebih tinggi) berbanding padanan kod buku berkualiti tinggi yang diramalnya (fidelity lebih rendah, lebih "dipulihkan" tetapi kurang tepat kepada sumber).

Bolehkah pemulihan wajah membaiki foto yang koyak atau rosak?

Hanya perincian dalaman wajah, bukan struktur yang hilang. Wajah yang kabur atau beresolusi rendah adalah tepat apa yang GFPGAN dan CodeFormer dilatih untuknya; wajah yang koyak atau tertutup adalah masalah yang berbeza — inpainting — dengan kemungkinan yang jauh lebih tinggi untuk mencipta struktur yang tidak pernah wujud.

Adakah pemulihan wajah berfungsi pada foto hitam-putih lama?

Ya, resolusi dan kekaburan lebih penting daripada warna kepada model-model ini. Untuk foto lama yang juga pudar atau berubah warna, pulihkan wajah dahulu, kemudian gunakan Old Photo Colorizer jika anda juga mahu menambah warna.

Kredit Imej

• Satu koleksi foto keluarga hitam-putih vintaj — photo by Suzy Hazelwood on Pexels
• Tangan dalam sarung tangan hitam memelihara foto lama — photo by Tima Miroshnichenko on Pexels