Phục hồi khuôn mặt bằng AI: So sánh GFPGAN và CodeFormer

Cập nhật lần cuối: July 18, 2026

Phục hồi khuôn mặt bằng AI sửa chữa một khuôn mặt bị mờ, độ phân giải thấp, hoặc hư hại do nén ảnh, bằng cách tái tạo chi tiết theo kiểu generative — chi tiết mà máy ảnh hay máy quét chưa từng thực sự ghi lại. Gần như mọi công cụ phục hồi trên thị trường đều là lớp vỏ bọc quanh một trong hai mô hình: GFPGAN và CodeFormer, và chúng giải quyết vấn đề theo cách khác nhau: GFPGAN hướng tới một đầu ra sắc nét, đẹp mắt duy nhất, trong khi CodeFormer cung cấp một núm điều chỉnh fidelity để đánh đổi độ chính xác về danh tính lấy độ hoàn thiện thị giác. Không mô hình nào khôi phục thông tin thực sự — cả hai đều đoán — vì vậy lựa chọn quan trọng nhất khi khuôn mặt trong ảnh là người bạn thực sự quen biết.

Trả lời nhanh: nên dùng GFPGAN hay CodeFormer?

Sử dụng CodeFormer với trọng số fidelity đặt từ 0.7 trở lên khi danh tính của người đó quan trọng và bạn muốn giới hạn mức độ mô hình được phép "sáng tạo". Sử dụng GFPGAN khi bạn muốn một bản sửa chữa nhanh, mạnh mẽ và gần như tự động hoàn toàn, chấp nhận một chút trôi dạt về danh tính để đổi lấy kết quả sạch hơn. AI Face Restoration chạy cả hai mô hình ngay trong trình duyệt để bạn có thể so sánh cùng một bức ảnh cạnh nhau trước khi lựa chọn.

GFPGAN và CodeFormer thực sự khác nhau ở đâu?

GFPGAN kết hợp một encoder nhận biết sự xuống cấp (degradation-aware) với một generator StyleGAN2 cố định. Nó đọc khuôn mặt bị hư hại, ánh xạ nó vào không gian đã học của generator đó về "các khuôn mặt hợp lý", rồi render ra kết quả gần nhất — đó là lý do tại sao đầu ra của nó thường trông hoàn thiện và nhất quán, nhưng không có núm điều chỉnh nào để kìm nó lại.

CodeFormer sử dụng một cách tiếp cận khác: một transformer dự đoán một chuỗi token từ một codebook rời rạc đã học của các mảng khuôn mặt, sau đó tái tạo khuôn mặt từ những token đó. Vì việc dự đoán diễn ra theo các bước rời rạc, CodeFormer có thể pha trộn giữa "bám sát đầu vào thực" và "tin tưởng vào các code chất lượng cao đã dự đoán" bằng một trọng số fidelity duy nhất — sự điều khiển đó chính là toàn bộ khác biệt thực tế giữa hai mô hình này.

Cả hai đều được huấn luyện trên các bộ dữ liệu khuôn mặt bị xuống cấp một cách tổng hợp — mờ, nén JPEG, giảm độ phân giải, một số nhiễu — vì vậy chúng được tinh chỉnh cho loại hư hại cụ thể đó. Không mô hình nào được thiết kế cho một vùng thực sự bị thiếu, như một bức ảnh bị rách hoặc khuôn mặt bị che khuất; đó là inpainting, một vấn đề liên quan nhưng khác, nơi mô hình có ít tín hiệu thực để bám vào hơn nữa.

Phục hồi khuôn mặt thực sự có thể sửa được gì — và không thể sửa được gì?

• Có thể: tái tạo chi tiết hợp lý trong các khuôn mặt bị mờ, độ phân giải thấp hoặc nén JPEG; làm sắc nét mắt, răng và đường chân tóc; tạo ra kết quả sử dụng được cho khuôn mặt nhỏ tới khoảng 64 pixel chiều cao.
• Không thể: khôi phục một khuôn mặt thực sự bị thiếu trong nguồn, chẳng hạn như một bức ảnh bị rách hoặc khuôn mặt bị che khuất — mô hình sẽ sáng tạo ra cấu trúc ở đó thay vì sửa chữa nó.
• Không thể: đảm bảo danh tính. Mọi sự phục hồi đều là một sự tái tạo hợp lý, không phải một phép đo, vì vậy hãy coi đầu ra như một sự diễn giải — đáng tin cậy nhất khi bạn có một bức ảnh khác của cùng người đó để so sánh.

Phương pháp 1: Công cụ trình duyệt (GFPGAN và CodeFormer)

Đối với một bức ảnh đơn lẻ, hãy sử dụng AI Face Restoration: tải lên ảnh JPG, PNG hoặc WebP có ít nhất một khuôn mặt có thể nhìn thấy, chọn GFPGAN hoặc CodeFormer, và so sánh kết quả với bản gốc trước khi tải xuống. Không cần cài đặt, không cần đăng ký, và hoạt động trên bất kỳ thiết bị nào có trình duyệt.

Phương pháp 2: CodeFormer cục bộ (xử lý hàng loạt và kiểm soát fidelity)

Phiên bản triển khai chính thức của CodeFormer cung cấp trực tiếp trọng số fidelity và có thể lập trình kịch bản để xử lý hàng loạt. Hãy chọn hướng này khi phục hồi nhiều ảnh với cùng một cài đặt, hoặc khi một dự án cần kiểm soát danh tính chi tiết hơn những gì một công cụ trình duyệt một cú nhấp có thể cung cấp.

Phương pháp 3: Ứng dụng thương mại (MyHeritage, Remini và tương tự)

Các ứng dụng phục hồi dành cho người tiêu dùng đóng gói một mô hình kiểu GFPGAN hoặc CodeFormer đằng sau một giao diện đơn giản hóa, thường được tinh chỉnh cho ảnh gia đình. Tiện lợi cho một người thân không rành kỹ thuật, nhưng bạn sẽ mất quyền kiểm soát trực tiếp đối với sự đánh đổi giữa fidelity và chất lượng — điều quan trọng nhất đối với khuôn mặt.

Bạn có nên phục hồi khuôn mặt của người thân không?

Đối với ảnh cá nhân, nhìn chung là có. Phục hồi một bức ảnh mờ của ông bà là một cách sử dụng phổ biến, hợp lý, và giá trị cảm xúc thường vượt trội hơn những sai lệch nhỏ. AI photo restoration guide đề cập đến một trường hợp mô hình phục hồi đã tái tạo đường viền hàm của một người bà thành một khuôn mặt mịn màng như ảnh stock mà chính con cái của bà không nhận ra hoàn toàn — một lời nhắc nhở hữu ích để bắt đầu với cài đặt fidelity cao và so sánh với bản gốc trước khi tin tưởng kết quả.

Đối với bất cứ điều gì mà việc nhận dạng chính xác quan trọng — một tài liệu pháp lý, ảnh người mất tích, một đơn xin xác minh danh tính — đừng sử dụng phục hồi generative. Đầu ra là một phỏng đoán hợp lý, không phải một sự thật được khôi phục, và bất kỳ quy trình nào xác minh danh tính đều cần hình ảnh thực, không phải sự diễn giải của AI về nó.

Làm thế nào để có kết quả tốt nhất?

1. Bắt đầu với nguồn có độ phân giải cao nhất hiện có; sự phục hồi không thể thêm thông tin mà một nguồn bị cắt kém hoặc quá nhỏ chưa từng có.
2. Hãy thử CodeFormer ở fidelity 0.7 trước nếu người đó bạn nhận ra được — điều đó giữ lại phần lớn cấu trúc khuôn mặt thực.
3. So sánh kết quả với một ảnh tham chiếu của cùng người đó ở mức zoom 100%; sự trôi dạt của mắt, hình dạng mũi và đường hàm là những thứ đầu tiên cần kiểm tra.
4. Nếu đầu ra của GFPGAN trông "quá hoàn hảo", thường thì đúng là vậy — hãy thử CodeFormer ở mức fidelity cao hơn thay thế.
5. Với ảnh nhóm, hãy phục hồi từng khuôn mặt riêng lẻ thay vì cả khung hình cùng lúc; một lần xử lý toàn cục duy nhất sẽ trung bình hóa các cài đặt trên các khuôn mặt có thể cần cách xử lý khác nhau.

Các chế độ lỗi phổ biến

• Da bị làm mịn quá mức, xóa đi kết cấu thật và trông như tổng hợp khi xem ở kích thước đầy đủ.
• Một khuôn mặt "đẹp" chung chung — sắc nét, đối xứng và giống mẫu, nhưng không còn hoàn toàn là người đó nữa.
• Mắt và răng được phục hồi không nhất quán giữa hai bức ảnh khác nhau của cùng một người.
• Khuôn mặt nhỏ hoặc bị cắt nhiều, dưới khoảng 64 pixel chiều cao, nơi mô hình gần như không còn tín hiệu thực nào để làm việc.

Đối với những bức ảnh cũ cũng bị phai màu, trầy xước hoặc rách, hãy xem old photo restoration guide để biết trình tự sửa chữa đầy đủ — quét, sửa chữa cấu trúc, sau đó dùng AI cho kết cấu và khuôn mặt sau cùng.

Các câu hỏi thường gặp

GFPGAN hay CodeFormer tốt hơn?

Không có cái nào tốt hơn một cách tuyệt đối. GFPGAN mang lại một bản sửa chữa một cú nhấp mạnh mẽ hơn mà không cần cài đặt gì, trong khi trọng số fidelity của CodeFormer cho phép bạn đánh đổi chất lượng thị giác lấy độ chính xác danh tính. Hãy dùng CodeFormer khi danh tính thực của người đó quan trọng, và GFPGAN khi kết quả nhanh, hoàn thiện là ưu tiên.

Phục hồi khuôn mặt bằng AI có miễn phí không?

Có, AI Face Restoration chạy cả GFPGAN và CodeFormer miễn phí ngay trong trình duyệt, không cần đăng ký và không có watermark trên công cụ cốt lõi.

Phục hồi khuôn mặt bằng AI có thể thay đổi vẻ ngoài của một người không?

Có. Cả hai mô hình đều tổng hợp chi tiết hợp lý thay vì khôi phục thông tin thực, vì vậy nếu đẩy quá xa, chúng có thể làm mịn da, thay đổi hình dạng đặc điểm, hoặc trôi dạt về một khuôn mặt chung chung. Luôn so sánh kết quả với một ảnh tham chiếu trước khi tin tưởng nó.

Trọng số fidelity của CodeFormer là gì?

Một cài đặt từ 0 đến 1 kiểm soát mức độ CodeFormer ưu tiên cấu trúc thực của đầu vào chất lượng thấp (fidelity cao hơn) so với việc khớp codebook chất lượng cao đã dự đoán của nó (fidelity thấp hơn, "được phục hồi" nhiều hơn nhưng kém chính xác hơn với nguồn).

Phục hồi khuôn mặt có thể sửa một bức ảnh bị rách hoặc hư hại không?

Chỉ chi tiết bên trong của khuôn mặt, không phải cấu trúc bị thiếu. Một khuôn mặt mờ hoặc độ phân giải thấp chính xác là những gì GFPGAN và CodeFormer được huấn luyện để xử lý; một khuôn mặt bị rách hoặc che khuất là một vấn đề khác — inpainting — với khả năng cao hơn nhiều là sẽ sáng tạo ra cấu trúc chưa từng tồn tại.

Phục hồi khuôn mặt có hoạt động trên ảnh đen trắng cũ không?

Có, độ phân giải và độ mờ quan trọng hơn màu sắc đối với các mô hình này. Đối với một bức ảnh cũ cũng bị phai màu hoặc đổi màu, hãy phục hồi khuôn mặt trước, sau đó sử dụng Old Photo Colorizer nếu bạn cũng muốn thêm màu.

Nguồn ảnh (Image credits)

• Bộ sưu tập các bức ảnh gia đình đen trắng cổ — ảnh của Suzy Hazelwood trên Pexels
• Bàn tay đeo găng tay đen đang bảo quản một bức ảnh cũ — ảnh của Tima Miroshnichenko trên Pexels