老照片重生计划：用Real-ESRGAN让模糊记忆重获新生
翻箱倒柜时偶然发现的老照片，往往承载着珍贵的回忆。但泛黄的相纸、模糊的影像，总让人遗憾无法清晰重温那些瞬间。现在，借助AI技术的力量，我们完全可以亲手修复这些记忆碎片。本文将带你用Real-ESRGAN这款开源工具，像专业修图师一样轻松完成老照片修复，而无需掌握复杂的图像处理技术。
1. 准备工作：搭建你的数字暗房
1.1 硬件与软件基础配置
在开始修复之旅前，需要确保你的电脑具备以下条件：
- 显卡要求：NVIDIA显卡（GTX 1060及以上性能更佳）将大幅提升处理速度
- 操作系统：Windows 10/11或macOS（Linux也可运行但配置更复杂）
- 存储空间：至少5GB可用空间用于安装工具和模型
推荐配置清单：
| 组件 | 最低要求 | 推荐配置 |
|---|---|---|
| 显卡 | NVIDIA GTX 1050 | RTX 2060及以上 |
| 内存 | 8GB | 16GB及以上 |
| 显存 | 4GB | 8GB及以上 |
| 处理器 | Intel i5 | Intel i7/Ryzen 7 |
1.2 Python环境搭建
Real-ESRGAN运行需要Python环境，推荐使用Miniconda来管理：
# 创建专用环境 conda create -n photo_restore python=3.8 conda activate photo_restore # 安装基础依赖 pip install torch torchvision --extra-index-url https://download.pytorch.org/whl/cu113提示：如果遇到CUDA相关错误，可以尝试去掉
--extra-index-url部分安装CPU版本，但处理速度会明显下降
2. Real-ESRGAN的安装与配置
2.1 获取项目代码
通过Git克隆官方仓库：
git clone https://github.com/xinntao/Real-ESRGAN.git cd Real-ESRGAN2.2 安装必要组件
安装核心依赖包：
pip install basicsr facexlib gfpgan pip install -r requirements.txt python setup.py develop常见安装问题解决方案：
- 错误：Microsoft Visual C++ 14.0 required
下载安装Visual Studio Build Tools中的C++组件 - 错误：CUDA版本不匹配
确认安装的PyTorch版本与CUDA版本对应
2.3 模型下载与选择
Real-ESRGAN提供多种预训练模型，针对老照片推荐：
realesrgan-x4plus- 通用型最佳选择realesrnet-x4plus- 保留更多原始纹理GFPGAN- 专门优化人脸细节
下载命令示例：
python scripts/download_pretrained_models.py RealESRGAN_x4plus3. 实战操作：一步步修复老照片
3.1 基础修复流程
准备一个inputs文件夹存放待修复照片，运行：
python inference_realesrgan.py -n RealESRGAN_x4plus -i inputs --face_enhance关键参数解析：
--face_enhance：启用面部细节增强--outscale 3.5：设置放大倍数（2-4之间效果最佳）--denoise_strength 0.7：降噪强度（0-1）
3.2 高级技巧：分区域处理
对于特别模糊或损坏严重的照片，可以采用分块处理：
from realesrgan import RealESRGANer upsampler = RealESRGANer( scale=4, model_path='weights/RealESRGAN_x4plus.pth', tile=400, # 分块大小 tile_pad=20, pre_pad=0 )3.3 人脸专项优化
当照片中有人像时，GFPGAN能显著提升面部清晰度：
python inference_realesrgan.py -i old_portrait.jpg --face_enhance --model_name RealESRGAN_x4plus人脸修复前后对比：
| 特征 | 修复前 | 修复后 |
|---|---|---|
| 眼睛 | 模糊不清 | 虹膜纹理可见 |
| 皮肤 | 噪点多 | 平滑自然 |
| 头发 | 块状色斑 | 发丝分明 |
4. 疑难排解与效果优化
4.1 常见错误解决方案
问题：CUDA out of memory
# 减小分块大小 python inference_realesrgan.py -i input.jpg -t 200问题：输出图像有伪影
尝试调整降噪参数：
--denoise_strength 0.6 # 值越小保留更多细节但噪点可能增加4.2 参数调优指南
根据照片类型推荐参数组合：
| 照片类型 | 模型选择 | 降噪强度 | 人脸增强 | 放大倍数 |
|---|---|---|---|---|
| 普通风景 | x4plus | 0.5 | 关闭 | 4 |
| 集体合照 | x4plus | 0.4 | 开启 | 3.5 |
| 单人人像 | x4plus | 0.3 | 开启 | 4 |
| 严重受损 | x4plus-anime | 0.7 | 视情况 | 2 |
4.3 批量处理技巧
创建batch_process.py脚本自动处理整个文件夹：
import os from glob import glob input_dir = "old_photos" output_dir = "restored_photos" os.makedirs(output_dir, exist_ok=True) for img_path in glob(os.path.join(input_dir, "*")): cmd = f"python inference_realesrgan.py -i {img_path} -o {output_dir} --face_enhance" os.system(cmd)5. 成果展示与后期处理
5.1 效果对比分析
典型修复案例参数记录：
- 原始照片：1980年代家庭合影（3.5×5英寸，300dpi扫描） - 使用模型：RealESRGAN_x4plus + GFPGAN - 处理时间：2分15秒（RTX 2060） - 参数组合：--outscale 4 --denoise_strength 0.5 --tile 4005.2 色彩校正技巧
修复后的照片可能需要微调色彩：
import cv2 img = cv2.imread('restored.jpg') lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB) l, a, b = cv2.split(lab) # 自适应直方图均衡化 clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) l = clahe.apply(l) merged = cv2.merge([l,a,b]) final = cv2.cvtColor(merged, cv2.COLOR_LAB2BGR) cv2.imwrite('final_adjusted.jpg', final)5.3 物理照片输出建议
若需打印修复后的照片：
- 输出分辨率至少300dpi
- 选择哑光相纸减少数字感
- 对于放大超过4倍的照片，建议分阶段处理：
- 先用Real-ESRGAN放大2倍
- 使用传统插值放大到目标尺寸
- 再次用Real-ESRGAN增强细节
