Phục hồi ảnh bằng AI năm 2026: Điều gì thực sự hiệu quả?

Cập nhật lần cuối: July 18, 2026

Tôi đã phục hồi 47 bức ảnh gia đình vào mùa xuân này và thử nghiệm sáu công cụ phục chế bằng AI trên chúng. Một số tái tạo các bản in bị rách, phai màu gần như hoàn hảo. Những cái khác lại sáng tạo ra những khuôn mặt trông giống người lạ. Hướng dẫn năm 2026 này là những gì tôi đã học được: mô hình nào xử lý vết trầy xước và phai màu tốt, nơi AI tô màu đáng tin cậy, và khi nào bạn nên dừng tự động hóa và sửa chữa bằng tay.

Nếu bạn muốn quy trình quét và phục hồi thực tế, hướng dẫn phục hồi ảnh cũ đã bao gồm bước đó từng bước một. Trang này tập trung vào lớp AI: những gì các mô hình năm 2026 thực sự làm với một bức ảnh cũ.

Trả lời nhanh: Phục chế ảnh bằng AI có thực sự hiệu quả không?

Có, đối với việc phai màu, hạt nhiễu (grain) và vết trầy xước nhỏ. AI loại bỏ nhiễu, tái tạo độ tương phản và nâng cấp chi tiết mềm một cách đáng tin cậy. Nó gặp khó khăn với các khu vực bị thiếu lớn và đặc biệt là khuôn mặt — ở đó nó đoán mò, và sự đoán mò đó có thể thay đổi tinh tế các đặc điểm của người thân. Đối với bất cứ thứ gì không thể thay thế, hãy chạy AI trên kết cấu (texture) và độ phân giải, nhưng hãy sửa chữa vết rách và khuôn mặt bằng tay.

Quy tắc của tôi sau 47 bức ảnh: để AI xử lý bề mặt, giữ con người ở cấu trúc.

AI thực sự làm gì với một bức ảnh cũ?

Các mô hình phục chế được huấn luyện trên hàng triệu cặp ảnh bị xuống cấp và sạch. Chúng học cách ánh xạ đầu vào bị hư hại trở lại thành một đầu ra sắc nét, phơi sáng tốt. Trên thực tế, chúng thực hiện bốn công việc:

• Denoise: loại bỏ hạt nhiễu và nhiễu máy quét mà không làm mờ chi tiết thực tế.
• Deblur and upscale: thêm pixel vào những nơi ban đầu bị mềm, tái tạo kết cấu hợp lý.
• Inpaint: lấp đầy vết trầy xước, lỗ hổng và các khu vực rách bằng cách đoán từ các pixel xung quanh.
• Colorize: dự đoán màu sắc cho các bức ảnh đen trắng hoặc phai màu nghiêm trọng.

Vấn đề là "hợp lý". Một mô hình không thể khôi phục thông tin chưa từng được ghi lại. Nó tổng hợp một phiên bản có khả năng xảy ra, và đối với khuôn mặt, sự tổng hợp này chính là khu vực nguy hiểm. Hướng dẫn bảo tồn của Thư viện Quốc hội Hoa Kỳ rất thẳng thắn về điều này đối với các kho lưu trữ: việc tái tạo làm thay đổi hồ sơ lịch sử, vì vậy hãy giữ bản quét gốc không bị chạm vào.

Tôi đã thử những công cụ phục chế AI nào vào năm 2026?

Tôi vẫn quay lại Neural Filters của Photoshop cho bất cứ thứ gì tôi quan tâm, bởi vì tôi có thể giảm cường độ phục hồi và tiếp tục chỉnh sửa trên một layer. Lưu ý sự khác biệt: một công cụ tăng cường (enhancer) cải thiện bức ảnh đã khá tốt; còn một công cụ phục chế phải tái tạo hư hại. Hầu hết các trang "phục chế AI" thực chất chỉ là các công cụ tăng cường với một nút sửa chữa được gắn vào. Để so sánh sâu hơn về các công cụ chỉ tăng cường, hãy xem hướng dẫn tăng cường ảnh bằng AI, và để biết cái nhìn tổng quan về danh mục rộng hơn, hãy xem tổng quan tăng cường ảnh bằng AI.

Nếu bạn mới làm quen với các khái niệm chỉnh sửa cơ bản, bài giới thiệu nguyên tắc chỉnh sửa ảnh giải thích về layers (lớp), masks (mặt nạ), và các chỉnh sửa không phá hủy mà bạn sẽ cần trong toàn bộ quy trình này.

Làm thế nào để chuẩn bị ảnh trước khi chạy AI?

Garbage in, garbage out (Đầu vào rác, đầu ra rác). Đòn bẩy chất lượng lớn nhất là quá trình quét, chứ không phải mô hình.

1. Quét tối thiểu 600 DPI (1200 cho ảnh thẻ nhỏ) và lưu dưới dạng TIFF.
2. Cắt xén viền và làm thẳng — các mô hình hoạt động kém hơn với đầu vào bị nghiêng.
3. Sửa chữa vết rách lớn bằng tay trước. Nếu một nếp gấp cắt qua khuôn mặt, AI sẽ cố gắng "phục hồi" nó và sáng tạo ra đặc điểm.
4. Hiệu chỉnh màu sắc tổng thể trước khi dùng AI, để mô hình không khóa lại sự ngả vàng.

Chỉ sau đó mới đưa tệp đã được làm sạch cho AI. Các cài đặt quét chi tiết có trong hướng dẫn phục hồi; điểm ở đây là không mô hình năm 2026 nào cứu được một bức ảnh chụp bằng điện thoại DPI 150 của bản in.

Phục hồi khuôn mặt: AI "ảo giác" ở đâu?

Đây là phần tôi quan tâm nhất, bởi vì đó là nơi độ chính xác bị phá vỡ. Các mô hình phục hồi khuôn mặt (GFPGAN, CodeFormer và các biến thể thương mại được xây dựng trên chúng — AI Face Restoration tool của chúng tôi chạy cả hai mô hình này, để bạn có thể so sánh) được huấn luyện để xuất ra những khuôn mặt đẹp, sắc nét. Chúng sẽ sẵn lòng biến một bức chân dung năm 1955 chụp mềm thành một khuôn mặt hiện đại, sắc nét mà không còn khớp với người đó nữa.

Khi tôi xử lý một bức chân dung năm 1940 của bà tôi, AI đã tái tạo đường viền hàm của bà trông giống như một mẫu ảnh stock. Kết quả sắc nét hơn và khách quan là "tốt hơn" — nhưng lại không thể nhận ra đối với con cháu bà.

Các điều khiển thực tế:

• Giảm cường độ phục hồi khuôn mặt xuống 30 đến 50 phần trăm nếu công cụ cho phép.
• Luôn so sánh cạnh nhau với bản quét trước khi chấp nhận.
• Đối với ảnh nhóm, hãy che (mask) khuôn mặt và phục hồi chúng riêng lẻ ở mức cường độ thấp hơn.
• Nếu một khuôn mặt trông "quá đẹp" sau AI, thì thường là vậy — hãy giảm bớt nó.

Để so sánh sâu hơn giữa GFPGAN và CodeFormer, hãy xem AI face restoration guide.

Tô màu: nó chính xác đến mức nào?

Tô màu bằng AI là hợp lý (plausible), chứ không phải sự thật (factual). Mô hình biết rằng cỏ thường có màu xanh lá cây, bầu trời thường có màu xanh lam, và da người nằm trong một phạm vi dự đoán được. Nó không biết rằng váy của bà bạn thực chất là màu teal, chứ không phải màu xanh dương. Old Photo Colorizer của chúng tôi sử dụng DDColor chính xác cho loại xử lý này.

• Tông màu da: thường thuyết phục, đôi khi quá cam trên các bản in phai màu.
• Thảm thực vật và bầu trời: đáng tin cậy, bởi vì các thông tin tiên nghiệm (priors) rất mạnh.
• Quần áo, ô tô và đồ nội thất: một dự đoán tự tin, nhưng thường sai.
• Đồng phục và phù hiệu: thường không chính xác — đừng bao giờ tin AI cho chi tiết quân sự hoặc lịch sử.

Đối với ký ức gia đình, điều đó thường ổn. Nhưng đối với bảo tàng hoặc lịch sử được xuất bản, thì không. Nếu độ chính xác màu sắc quan trọng, hãy tô màu trên một layer riêng biệt, giữ ở độ mờ giảm và dán nhãn nó là một sự diễn giải (interpretation).

Bạn nên làm gì khi AI xử lý quá mức?

Xử lý quá mức (Over-processing) là lỗi phổ biến nhất, và rất dễ nhận thấy khi bạn tìm kiếm: da bị sáp hóa, quầng sáng quanh các cạnh, và độ mịn đồng đều mà không bức ảnh thực nào có.

• Giảm độ mờ của layer phục hồi xuống 60 đến 70 phần trăm và hòa trộn với bản quét.
• Che (mask) khuôn mặt và chạy chúng ở mức cường độ một nửa.
• Tái đưa một chút hạt nhiễu; sự mịn hoàn toàn được coi là giả.
• Giữ tông màu ấm của giấy cũ thay vì trung hòa nó.

Bài học chính: quy trình phục hồi năm 2026 của tôi

1. Quét ở độ phân giải cao (600 DPI, TIFF) — điều này quan trọng hơn bất kỳ mô hình nào.
2. Sửa vết rách và lỗ hổng bằng tay trước khi AI chạm vào tệp.
3. Sử dụng AI để loại bỏ nhiễu, nâng cấp độ phân giải và kết cấu — khu vực an toàn của nó.
4. Coi khuôn mặt và tô màu như các bước có cường độ thấp, được con người xem xét.
5. Xuất một master PNG và không bao giờ ghi đè lên bản quét gốc.

Lưu ý về độ chính xác lịch sử

Phục chế là một phần của sự sáng tạo ra (invention). Mỗi pixel mà mô hình điền vào đều là một phỏng đoán, và tô màu theo định nghĩa là một phỏng đoán. Điều đó ổn để hồi sinh một album gia đình — nhưng nó không giống với việc khôi phục những gì thực sự đã ở đó. Đối với bất cứ thứ gì có giá trị tài liệu, hãy giữ bản quét chưa chỉnh sửa làm nguồn chân lý, coi đầu ra của AI là một sự diễn giải, và nói điều đó khi bạn chia sẻ nó.

Các câu hỏi thường gặp

Phục chế ảnh bằng AI có thực sự hiệu quả không?

Có, đối với các công việc an toàn: loại bỏ nhiễu, nâng cấp độ phân giải và sửa vết trầy xước, nơi nó khôi phục chi tiết xác thực. Nó gặp khó khăn ở khuôn mặt (nơi nó sáng tạo ra các đặc điểm hợp lý nhưng sai) và tô màu (định nghĩa là một phỏng đoán). Hãy coi AI như một lần xử lý đầu tiên mạnh mẽ cho việc sửa chữa cơ học, với sự xem xét của con người đối với bất cứ thứ gì mang tính diễn giải.

Tôi nên quét ảnh cũ ở DPI bao nhiêu?

Ít nhất 600 DPI, lưu dưới dạng TIFF. Độ phân giải quét là giới hạn trên của mọi thứ sau này — AI không thể khôi phục chi tiết mà bản quét chưa từng ghi lại. Quét JPEG DPI thấp sẽ giới hạn việc phục hồi bất kể mô hình tốt đến đâu. Hãy quét ở độ phân giải cao một lần; bạn không thể thêm độ phân giải sau này.

Tô màu bằng AI có chính xác không?

Không. Tô màu là một sự diễn giải: bản quét thang độ xám không chứa thông tin màu sắc, vì vậy mô hình gán các màu hợp lý dựa trên quá trình huấn luyện. Bầu trời sẽ có màu xanh lam, nhưng màu thực của một chiếc váy cụ thể thì không thể biết được. Hãy giữ bản quét chưa chỉnh sửa làm nguồn chân lý và dán nhãn bất kỳ phiên bản tô màu nào là sự diễn giải, chứ không phải là sự phục hồi.

Khi nào sửa chữa thủ công tốt hơn AI?

Đối với vết rách, lỗ hổng và các mảng bị thiếu, nơi bạn cần tái tạo cấu trúc thay vì đoán kết cấu. AI lấp đầy những khoảng trống nhỏ một cách hợp lý nhưng thất bại ở hư hại cấu trúc lớn. Hãy sửa vết rách và lỗ hổng bằng tay trước, sau đó để AI xử lý loại bỏ nhiễu và kết cấu.

Tín dụng hình ảnh

• Bộ sưu tập các bức ảnh gia đình đen trắng cổ — ảnh của Suzy Hazelwood trên Pexels
• Một chồng album ảnh gia đình cổ chờ phục hồi — ảnh của Suzy Hazelwood trên Pexels
• Bộ sưu tập các bức in gia đình cổ phai màu cho thấy hư hại — ảnh của Lisa trên Pexels
• Bàn tay đeo găng tay đen bảo quản một bức ảnh cũ — ảnh của Tima Miroshnichenko trên Pexels