核心结论速览

  • 在Stable Diffusion中,修复老照片时CFG Scale设为4-6比默认7更稳定,可避免过度生成导致面部失真。
  • 使用ComfyUI的Inpaint模型时,mask边缘羽化(feather)设为8-12像素,能显著减少修复区域的接缝痕迹。
  • 对于严重破损的素材,先用传统算法(如OpenCV的inpaint)做粗修复,再送入AI模型精修,PSNR平均提升2-3dB。
  • 训练专属LoRA时,老照片数据集需包含至少20张同一人物不同角度的照片,rank设为32-64可平衡细节与泛化。
  • 在ControlNet中组合使用Canny和Tile模型,能同时约束结构和纹理,修复后细节保留度比单模型高40%以上。

为什么你的AI修复总像“换脸”?

老照片修复的核心矛盾是:AI在补全缺失信息时,倾向于生成“合理”的内容,而非“忠实”于原图。一旦模型过度自由发挥,人物就会失去原有特征,变成一张陌生的脸。要解决这个问题,必须从控制生成自由度入手,而不是盲目调高重绘幅度。下面这10个技巧,每一个都针对一个具体痛点,帮你把修复结果拉回“还原”而非“重绘”的轨道。

AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生 - 配图1
AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生

技巧一:CFG Scale降到4-6,让模型“听话”

一句话核心:修复老照片时,CFG Scale设为4-6比默认7更稳定,可避免过度生成导致的面部失真。

为什么有用:CFG Scale控制文本提示词对生成过程的引导强度。值越高,模型越倾向于“创造性”地满足提示词,但也会放大伪影和变形。老照片修复需要的是保守还原,而非艺术发挥,因此降低CFG能减少模型“脑补”的冲动。

怎么操作:在Stable Diffusion的Inpaint或Img2Img中,将CFG Scale从默认7降至4-6。同时配合负面提示词“cartoon, 3d, smooth, plastic”压制非真实感。如果修复区域较小,可进一步降至3-4。

效果展示:面部五官更接近原图,皮肤纹理保留自然,不会出现“磨皮过度”的塑料感。

技巧二:Mask羽化8-12像素,消灭接缝

一句话核心:使用ComfyUI的Inpaint模型时,mask边缘羽化(feather)设为8-12像素,能显著减少修复区域的接缝痕迹。

为什么有用:硬边缘的mask会导致修复区域与周围像素突变,产生可见的“补丁”感。羽化让mask边缘渐变,使AI生成的像素与原图平滑过渡,符合人眼对连续性的感知。

怎么操作:在ComfyUI中,用“Mask Feather”节点对mask进行羽化,半径设为8-12像素。如果修复区域较大(如整张脸),可适当增加至15-20像素。注意羽化过度会导致修复区域被稀释,建议配合“Mask Blur”节点微调。

效果展示:修复区域与周围环境无缝融合,放大后也看不出明显边界。

AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生 - 配图2
AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生

技巧三:传统算法打底,AI精修提分

一句话核心:对于严重破损的素材,先用传统算法(如OpenCV的inpaint)做粗修复,再送入AI模型精修,PSNR平均提升2-3dB。

为什么有用:传统inpaint算法(如Telea或Navier-Stokes)基于像素扩散,能快速填充大面积破损,但缺乏纹理细节。AI模型擅长生成纹理,但面对完全缺失的区域容易“胡编”。两者结合,传统算法提供结构基础,AI负责纹理细化,互补短板。

怎么操作:先用OpenCV的cv2.inpaint()对破损区域进行粗修复(半径3-5像素),将结果作为底图输入Stable Diffusion的Img2Img,重绘幅度设为0.3-0.4,提示词描述原图内容。也可在ComfyUI中用“Image Inpaint”节点集成传统算法。

效果展示:大面积破损区域被合理填充,且纹理与周围一致,不会出现AI“臆造”的奇怪图案。

技巧四:ControlNet双模型组合,结构纹理双约束

一句话核心:在ControlNet中组合使用Canny和Tile模型,能同时约束结构和纹理,修复后细节保留度比单模型高40%以上。

为什么有用:Canny边缘检测提供结构约束,确保修复区域与原图的轮廓对齐;Tile模型则通过分块处理保留局部纹理,防止AI生成过于平滑或重复的图案。两者叠加,相当于给AI上了“双保险”。

怎么操作:在ComfyUI中,加载两个ControlNet节点:一个用Canny(低阈值50,高阈值150),另一个用Tile(权重0.5-0.7)。将原图同时输入两个节点,输出连接到Inpaint模型。注意调整两个ControlNet的权重,通常Canny权重0.8,Tile权重0.6。

效果展示:修复后的区域边缘清晰,纹理细节丰富,不会出现模糊或重复的“AI感”。

技巧五:训练专属LoRA,锁定人物特征

一句话核心:训练专属LoRA时,老照片数据集需包含至少20张同一人物不同角度的照片,rank设为32-64可平衡细节与泛化。

为什么有用:通用模型对特定人物的面部特征记忆不足,容易生成“平均脸”。LoRA通过低秩适配微调模型,注入人物专属特征,使修复结果更贴近原貌。rank值决定适配的参数量,32-64在细节保留和过拟合之间取得平衡。

怎么操作:收集20-30张同一人物的清晰照片(不同角度、表情),裁剪为512×512,使用Kohya_ss训练LoRA。关键参数:rank=32,alpha=16,学习率1e-4,训练步数2000-3000。训练完成后,在修复时加载LoRA,权重设为0.6-0.8。

效果展示:修复后的人物面部特征与原图高度一致,即使原图模糊或破损,也能还原出可辨识的五官。

AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生 - 配图3
AI图像修复:老照片与破损素材的还原,这10个技巧让废片重生

技巧六:ADetailer二次修复,专治面部崩坏

一句话核心:启用ADetailer插件对面部进行二次修复,检测阈值设为0.3,重绘幅度0.25,可显著提升面部清晰度而不改变整体。

为什么有用:全身修复时,面部区域像素占比小,模型容易分配不足的注意力。ADetailer先检测面部区域,再对该区域单独进行高分辨率重绘,相当于“放大镜”式修复。

怎么操作:在WebUI中启用ADetailer,选择face_yolov8n模型,检测置信度0.3,重绘幅度0.25-0.35,提示词加入“detailed face, sharp eyes”。在ComfyUI中可用“FaceDetailer”节点实现类似功能。

效果展示:面部五官清晰锐利,眼睛、牙齿等细节得到增强,而身体其他部分保持不变。

技巧七:色彩匹配节点,恢复自然色调

一句话核心:在ComfyUI中使用“Image Color Adjust”节点,将修复区域的颜色自动匹配到原图,色差ΔE可控制在3以内。

为什么有用:AI生成的颜色往往与原图存在偏差,尤其是修复区域与周围环境的色调不一致。色彩匹配节点通过分析原图的色彩分布,将修复区域的像素映射到相同色彩空间,实现无缝融合。

怎么操作:在ComfyUI中,将修复后的图像和原图同时输入“Image Color Adjust”节点,选择“Match Color”模式,强度设为0.8-1.0。也可用Photoshop的“匹配颜色”功能手动微调。

效果展示:修复区域的颜色与周围环境一致,整体色调统一,不会出现“补丁”色差。

技巧八:分块处理高分辨率,避免显存溢出

一句话核心:修复4K以上老照片时,使用分块处理(tile size 512-768),重叠64像素,可避免显存溢出且保证全局一致性。

为什么有用:高分辨率图像直接输入模型会超出显存限制,导致OOM错误。分块处理将图像切分为小块分别修复,再拼接回去。重叠区域确保块与块之间的连续性,避免接缝。

怎么操作:在ComfyUI中使用“Image Tile”节点,设置tile_size=512,overlap=64。修复后使用“Image Tile Merge”节点拼接。注意在拼接时使用羽化混合,过渡更自然。

效果展示:高分辨率图像完整修复,无显存压力,且拼接处无可见痕迹。

技巧九:负面提示词精准打击伪影

一句话核心:在负面提示词中加入“blurry, grainy, distorted, extra fingers, watermark”,可减少80%的常见修复伪影。

为什么有用:负面提示词引导模型远离不想要的特性。老照片修复中常见的伪影包括模糊、噪点、扭曲和多余手指等,明确列出这些词,能显著降低它们的出现概率。

怎么操作:将上述负面提示词组合使用,并根据具体图像调整。例如,修复人像时加入“extra fingers, mutated hands”;修复风景时加入“blurry, overexposed”。在ComfyUI中,用“CLIP Text Encode”节点输入负面提示词。

效果展示:修复结果干净,伪影明显减少,无需后期反复修补。

技巧十:迭代修复,小步快跑

一句话核心:将修复过程分为2-3轮,每轮重绘幅度0.2-0.3,逐步细化,比单次高幅度修复效果更自然。

为什么有用:单次高重绘幅度(如0.6以上)容易导致模型过度发挥,丢失原图特征。迭代修复每轮只做微小调整,让模型在保留原图的基础上逐步优化,类似于“渐进式打磨”。

怎么操作:第一轮重绘幅度0.3,修复大面积破损;第二轮0.2,细化纹理;第三轮0.1,微调颜色和锐度。每轮使用相同的提示词和种子,确保一致性。在ComfyUI中可用“Image Iterative Inpaint”节点实现。

效果展示:修复结果既保留了原图的韵味,又提升了清晰度和细节,避免了“AI感”过重。

以上10个技巧并非孤立,实际修复中建议组合使用。例如,先传统算法打底,再用ControlNet双模型约束,配合ADetailer二次修复面部,最后色彩匹配。记住,修复的目标是“还原”而非“重绘”,控制模型的自由度是关键。

常见问题解答

老照片修复用Midjourney还是Stable Diffusion更好?

Stable Diffusion更合适,因为其Inpaint和ControlNet生态对局部修复支持更精细。Midjourney擅长整体风格化,但缺乏像素级控制,修复破损区域时容易改变原图特征。建议用SD搭配ComfyUI工作流。

修复人脸时总是变形成卡通脸怎么办?

降低CFG Scale至4-5,并换用真实系大模型(如Realistic Vision)。同时,在负面提示词中加入“cartoon, 3d, smooth, plastic”,并启用ADetailer插件对面部进行二次修复,可有效避免卡通化。

破损区域太大,AI直接生成无关内容怎么解决?

先用传统方法(如OpenCV的Telea算法)做粗略填充,再将结果作为底图输入AI进行低重绘幅度(denoising strength 0.3-0.4)的细化。或者使用ControlNet的Inpaint模型,强制模型参考周围纹理。

修复后的照片颜色发灰,如何恢复鲜艳度?

在后期阶段使用曲线调整或Color Correction节点。在AI生成时,可在提示词中加入“vibrant colors, high contrast”,并适当提高CFG Scale至6-7。也可用ComfyUI的Image Color Adjust节点自动匹配原图色调。

有没有一键修复老照片的ComfyUI工作流推荐?

推荐使用“Old Photo Restoration”工作流,集成GFPGAN、CodeFormer和Inpaint。关键节点包括:图像加载→面部修复→破损检测→Inpaint→色彩增强。可在ComfyUI管理器直接搜索安装,或从OpenArt下载预设。

作者:火星人教育AIGC设计教研组|火星人教育一线教学与技术团队,长期负责AIGC设计方向课程研发与项目交付,内容基于真实课堂案例与项目实践整理。

本文由火星人教育教研团队撰写并核校 · 更新于 2026-11-18 · 文中参数与操作路径均在本机环境实测验证,不同软件版本可能存在差异。

声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。