AI 照片修复是怎么工作的？

Photold 团队 · 2026年11月4日 · 阅读时间 6 分钟

AI 照片修复靠的是预测。模型经过海量图片的训练，学会了照片通常是什么样子。拿到一张受损的照片后，它会生成一个“最可能的修复版本”。它不会去查什么资料，也不认识你的家人。

理解了这一点，就能明白为什么有时效果好、有时效果差。一道划过素色墙面的划痕很好猜，猜出来的结果也没问题。一道划过眼睛的划痕同样是靠猜，但在那里，它可能会让这个人看起来像换了个人。

模型在训练中学到了什么

想象一个花了多年时间看照片的人。他并没有记住每一张，但掌握了其中的规律：光线如何落在脸颊上、衣领如何折叠、砖墙长什么样、胶片颗粒和划痕有什么不同。模型做的事情与此类似，只不过它用的是数字，而不是语言。

训练在你使用工具之前就已经完成了。你上传照片时，模型只是在运用它已经学到的东西。在 Photold，我们不会用你的照片来训练 AI 模型。

把受损的照片交给它之后，会发生什么

具体细节因工具而异，但大致流程基本相同。

1. 图片被发送给模型。使用 Photold 时，图片会经过我们的服务器，发送给我们的 AI 服务提供商 Google（Gemini API）和 eachlabs，它们可能会调用其他提供商的模型。
2. 描述任务。工具会说明要做什么，比如修补损伤或添加颜色，以及哪些地方不要动。
3. 模型识别画面内容：形状、色调、人脸，以及哪些看起来是损伤，而不是画面本身的一部分。
4. 生成图片。照片提供了清晰信息的地方，它就照着来；信息缺失的地方，它就填上通常会出现在那里的内容。
5. 你会得到一个新文件。这是根据你上传的照片生成的一张新图片，所以即使是远离损伤的地方，细节也可能发生变化。这就是为什么最后的检查很重要。

找回与重建

想象一封沾了咖啡渍的信。如果污渍盖住了“我们今天早上平安到达了”中的一部分，你可以很有把握地补上那个词，因为剩下的内容已经决定了答案。这就接近于找回。如果污渍盖住的是一个城镇的名字，你仍然可以写上一个说得通的城镇名。它看起来没问题，但其实是编出来的。这就是重建。

AI 工具两种都会做，而结果并不会告诉你哪部分是哪种。

把扫描件交给 Photold 处理，仔细看看哪些是保留下来的，哪些是填补出来的。试用 Photold

为什么效果因图而异，为什么人脸和文字很难修

效果取决于原图。干净、清晰的扫描件需要猜测的部分更少。所以如果结果不理想，先试着重新扫描一份更好的，正如我们的老照片修复指南中所说。

人脸之所以难，是因为每个人都是看脸的行家。眼皮上的一点细微变化，放在一棵树上你根本注意不到，放在脸上却可能让人看起来像个陌生人。模型认识的是普遍意义上的人脸，而不是这一张脸。我们在 AI 修复会改变人脸吗？中逐一介绍了需要留意的迹象。

文字之所以难，是因为每个字都必须准确无误。模型更了解文字通常长什么样，而不是某块招牌上具体写了什么，所以它可能生成看起来像字、实际上毫无意义的形状。对修复结果中的徽章、店铺招牌和小字题记要保持怀疑，以扫描件上的内容为准。

修复、上色和提升画质是三件不同的事

它们听起来像是一回事，但各自要回答的问题不同，风险也不同。所以最好把它们作为独立的步骤分别运行，并逐一检查。

为什么工具要求模型保留什么很重要

如果不加约束，模型会倾向于把照片变成“照片通常的样子”：皮肤更光滑、牙齿更整齐、构图更规整。一句笼统的“把照片变好”，就给了它做这些改动的空间。修复工具必须设定限制，明确哪些必须保持不变：色调、构图、人脸。比较不同工具时，既要看它承诺修复什么，也要同样仔细地看它承诺不改动什么。

以下是 Photold 的目标。“照片修复”会保留原有色调，黑白照片还是黑白，棕褐色照片还是棕褐色，而且在设计上不会裁剪、重新布置画面，也不会改变人脸、表情或肤色。“HD 画质提升”不得改变人物的身份特征或肤色。“黑白上色”不会把肤色调白。这些目标可以减少改动，但无法完全杜绝，因为被损伤遮住的细微细节是重建出来的，而不是找回来的。熟悉照片中人物的人，才是判断结果的最佳人选。

关于文件本身会被如何处理，请看上传家庭照片安全吗。