AI可以让模糊的人脸更容易看清，但更锐利的结果并不能证明新出现的细节就是正确的。修复模型可能把照片中的信息与学到的模式结合起来，生成一张看似合理的脸。请保留原图，把人物相似度与画面的精致程度分开比较，并按照实际用途选择使用哪一份副本。
修复家庭老照片、放大小尺寸肖像，或尝试补救失焦照片时，这一点尤其重要。一张好看的重建图像可以值得保存，却未必能可靠证明一个人的眼睛、牙齿、皮肤纹理或表情原本是什么样。下面的流程可以帮助你守住这一区别。
1. 先看原图究竟能显示什么
首先明确你想解决的问题。文件尺寸太小、运动模糊、对焦失误、压缩和实物损坏，都是不同的起点。“增强”是一个宽泛的产品标签，并没有解释你的这份原始材料中还保留着哪些信息，也没有说明工具会怎样填补空缺。
看一个示意例子：一张很小的家庭肖像，在眉毛所在的位置只有一块暗色区域。增强后的副本把它变成了整齐、根根分明的眉毛。这种排列也许很适合这张脸，但原来的暗块并不能让你核实每一根毛发。应把它记录为一种推断，而不是把好看的结果当成刚刚发现的事实。
尝试另一个模型之前，先寻找更好的源材料。看看能否找到尺寸更大的原始文件、未经压缩的导出版本、另一帧画面，或者纸质照片。如果可以重新扫描纸质照片，请把扫描文件与编辑后的副本分别保存。这是我们的实用保存建议：先尽量获取已有的信息，再让软件推断缺失的细节。
2. 修复研究说明了什么
Menon及其同事的PULSE研究探索能够缩小为同一低分辨率输入图像的高分辨率人脸。其人脸实验使用了在FFHQ上预训练的生成器，以及来自CelebA-HQ的评估图像。关键启示是：不同的、看似合理的细致人脸，都可能与同一个粗略输入相容。在更新论文的模型说明卡中，作者把这一人脸实现描述为艺术项目，并明确指出它不适合人脸识别或身份辨认。这是该实现的限制，并不意味着每一种增强方法的表现都相同。DOI: 10.1109/CVPR42600.2020.00251.
Wang及其同事的GFP-GAN研究将预训练的生成人脸先验与输入信息结合起来。模型使用经过合成退化处理的FFHQ人脸训练，并在合成图像和现实图像上测试修复效果。作者报告，严重退化可能导致伪影，而非常大的姿态偏转可能产生不自然的结果。他们还指出，当灰度输入缺乏足够的颜色信息时，可能出现色彩偏差。成功示例说明这种修复可以有用，但这些限制提醒我们，不应假定每一处新增细节都忠于原貌。DOI: 10.1109/CVPR46437.2021.00905.
Zhou及其同事发表于NeurIPS 2022的CodeFormer论文使用学习得到的码本和Transformer来重建人脸。其基于FFHQ的训练采用合成退化，评估包括合成测试集和现实测试集。一项控制参数允许在视觉质量与保真度之间权衡；作者报告了侧脸肖像，以及配饰等少见视觉细节方面的限制。这些是图像修复实验，并没有验证任何消费级应用可以充当身份核验服务。DOI: 10.52202/068431-2218.
这些论文都不能为你的家庭照片提供个人层面的保证。它们使用的模型、训练数据、退化假设和评估任务各不相同。可以用它们理解问题，但不能据此宣布某一款应用在2026年对所有情形都最好。
3. 比较三个版本，而不是只选最锐利的一张
我们建议比较三份命名清楚的文件：未经改动的源文件、经过适度常规编辑的版本，以及AI修复副本。常规编辑可以是调整曝光或对比度，而不加入生成人脸的步骤。但它仍然属于编辑，因此请保留设置，也不要把更强的边缘误当成细节得到证实。
把三个版本中的人脸以相同的显示尺寸查看。先判断整个肖像：这个人看起来是否仍然熟悉，表情是否与源图中能看到的内容一致？然后检查眼睛、嘴、发际线、眼镜和脸部轮廓等局部。眼睛修得很精致，却改变了视线方向，这可能比表面上更清晰的效果更值得在意。
认识照片中人物、又值得信赖的人，也许能帮你发现明显不相似的地方。但大家意见一致并不能证明重建完全准确，尤其是在所有人都只参考同一份较差的源材料时。我们的AI职业头像相似度检查清单提供了相关的比较问题，不过修复已有照片与生成新的肖像是不同的任务。
4. 按照用途选择副本
下表是编辑团队提供的决策辅助工具，并不是技术认证。当某个细节将被用来支持关于真实人物的说法时，应采取更保守的态度。
| 你的用途 | 可采用的方法 | 应保留的界限 |
|---|---|---|
| 供欣赏的家庭照片打印件 | 比较人物相似度，保留标注清楚的修复副本 | 好看的重建图像未必能证实确切的历史细节 |
| 档案或家族历史记录 | 保存未经改动的扫描件，并为编辑版本单独命名 | 不要用冒充原图的重建版本替换源材料 |
| 当前使用的个人资料肖像 | 如果条件允许，优先重新拍摄清晰照片 | 修复的人脸细节不应悄悄改变人物的呈现 |
| 基于照片的外观反馈 | 使用合适的原始拍摄图像，并记录所有编辑 | 对生成纹理的评分描述的是处理后的图像 |
| 辨认人物或证明某一特征 | 寻找独立的源材料，必要时寻求具备资质的评估 | 不要把合成细节用作独立的身份证据 |
例如，你可以欣赏祖父母的修复肖像，同时在笔记中把他们确切的眼睛颜色标为未知。这两种选择并不矛盾。但如果你想声称某个印记确实存在，或这张肖像能够辨认某个人，判断标准就不同了：仅靠重建图像，并不能证实这两种说法中的任何一种。
5. 修复检查的七个步骤
这份清单旨在记录你做了什么，以及哪些地方仍然不确定。它并不是计算修复后的人脸正确概率的方法。
- 保留能找到的最佳源材料。原始文件或扫描件保持不动，同时保留已知的日期与来源。请在副本上操作。
- 写下预定用途。装饰性的家庭照片打印件，与关于身份的主张，需要不同的证据。应在看到最吸引人的结果之前做出决定。
- 保存处理记录。记下工具、可查到的模型版本、日期和设置。把适度编辑版与AI修复版分别保存为文件。
- 以相同尺寸比较。对照源材料检查整张脸和局部特征。描述可见的不一致，而不要猜测它的心理或医学含义。
- 建立特征记录。把重要细节标为源材料中可见、相容但未证实，或与源材料矛盾。“未知”也是有效结果。
- 有限度地检查一个替代设置。如果工具提供保真度控制，请阅读说明，并比较一个替代设置。不要把选中了自己喜欢的版本，当成其新增细节真实的证据。
- 导出时清楚标注。例如：“由家庭扫描件经AI修复；部分人脸细节为重建；原始扫描件已保留。”当这一区别很重要时，请一并分享源材料。
有用的记录可以很简短：“眼镜可见；镜片形状不确定；锐化副本新增了无法核实的反光。”相比没有说明的前后对比拼图，这样能给后来的查看者更多信息。如果以后找到了更好的源材料，也便于修正原先的解释。
6. 理解控制参数，并让不确定性保持可见
截至2026年10月26日查阅的CodeFormer作者当前文档说明，较小的保真度权重通常更偏向视觉质量，较大的权重更偏向保真度。请阅读你实际使用的工具说明：其他界面中的滑块名称和方向可能不同。保真度设置并不是人脸或其细节正确的概率百分比。
如果两个设置生成了不同的牙齿或眉毛形状，请保留这种分歧，而不是把图像平均合成为一个号称已证实的答案。反过来，两个相似的输出也可能共享同样的模型假设。处理后副本之间的一致性，并没有增加对原始场景的独立观察。
清楚说明处理过程，比要求检测器为重建结果作认证更有用。如果编辑是你自己做的，你已经知道它的处理历史。我们的AI图像检测结果解读指南解释了为什么真实性评分不能替代来源信息。即使修复副本看起来完全自然，也应保留这些记录。
7. 用清晰的原始拍摄图像了解你现在的面容
如果你的实际目标是拍一张新肖像，或获取基于照片的反馈，重新拍摄可能比反复修复一张较差的照片更合适。可以按照我们的AI人脸分析拍照准备指南控制基本的拍摄条件。清晰的原始拍摄图像能避免再把修复处理变成一个变化因素，但不会让外观评分变得客观。
如果想获得关于肖像呈现方式的结构化反馈，可以了解FaceScore的照片分析与建议。请使用合适的原始照片，并把输出看作应用针对这张图像生成的反馈。FaceScore的反馈不能认证重建图像的历史准确性、确认身份，或衡量你的个人价值。当修复照片符合你的用途时，可以保留它，也应保留相应的不确定性说明。