保姆级教程：用Python和CodeFormer修复模糊老照片，从环境搭建到实战调参

零基础玩转AI老照片修复：Python+CodeFormer全流程避坑指南

翻开泛黄的相册，那些模糊的老照片总是承载着最珍贵的记忆。你是否也曾想过，如果能一键恢复这些照片的清晰度该有多好？今天，我们就用最简单的Python工具链，带你从零开始实现这个愿望。无需任何编程基础，跟着本指南一步步操作，两小时内就能让老照片重获新生。

1. 环境搭建：新手友好的Python生态圈

对于从未接触过Python的新手来说，Anaconda是最佳起点。这个集成了Python和常用科学计算库的发行版，能避免90%的环境配置问题。

Windows用户注意：安装时务必勾选"Add Anaconda to my PATH environment variable"选项，否则后续命令无法识别。Mac用户则无需额外操作，安装完成后直接使用终端即可。

验证安装是否成功：

conda --version

正常应显示类似conda 23.3.1的版本号。如果报错，可能需要手动添加环境变量：

国内用户强烈建议配置清华镜像源，下载速度提升10倍不止：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free conda config --set show_channel_urls yes

2. CodeFormer项目部署：一条龙解决方案

创建专属的Python环境是避免依赖冲突的关键：

conda create -n codeformer python=3.9 -y conda activate codeformer

克隆项目仓库时，如果GitHub连接不稳定，可以尝试Gitee镜像：

git clone https://gitee.com/mirrors/CodeFormer.git cd CodeFormer

安装依赖时常见问题及解决方案：

• error: Microsoft Visual C++ 14.0 required
  Windows用户需安装Build Tools for Visual Studio

• Could not build wheels for opencv-python
  尝试先安装：pip install --upgrade setuptools wheel

完整安装命令：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple python basicsr/setup.py develop

3. 模型下载：国内加速方案

官方下载脚本可能速度较慢，我们准备了三种替代方案：

方案一：手动下载（推荐）

1. 创建模型目录：mkdir -p weights/{facelib,CodeFormer,realesrgan}
2. 下载下表列出的模型文件到对应目录：

方案二：命令行加速

python scripts/download_pretrained_models.py facelib --mirror tuna python scripts/download_pretrained_models.py CodeFormer --mirror aliyun

4. 实战修复：参数调优的艺术

将待修复照片放入inputs/raw_images目录，建议先进行人脸检测：

python scripts/detect_crop_faces.py --input_path inputs/raw_images --output_path inputs/cropped_faces

核心参数-w（权重）的黄金法则：

• 0.0：最大程度保持原貌，修复效果较弱
• 0.5：平衡修复和保真（推荐初始值）
• 1.0：最大修复力度，可能改变原有特征

不同场景的推荐参数组合：

案例一：严重模糊的老照片

python inference_codeformer.py -w 0.7 --bg_upsampler realesrgan --face_upsample --input_path inputs/raw_images/grandpa.jpg

案例二：轻微划痕的黑白照

python inference_codeformer.py -w 0.3 --input_path inputs/cropped_faces/portrait.png

案例三：低分辨率集体照

python scripts/detect_crop_faces.py --input_path inputs/raw_images/class_photo.jpg --output_path inputs/cropped_faces --detection_size 640 python inference_codeformer.py -w 0.5 --has_aligned --input_path inputs/cropped_faces

5. 高级技巧：让修复效果更自然

色彩增强秘籍：

python inference_colorization.py --input_path inputs/cropped_faces/0368.png --color_temp 6500

提示：color_temp参数控制色温，2000-10000K范围可模拟不同年代色调

背景超分辨率重建：

python inference_codeformer.py --bg_upsampler realesrgan --bg_tile 400 --input_path inputs/raw_images/landscape.jpg

常见问题排查表：

修复前后效果对比（数值越大表示改善越明显）：

6. 自动化处理：批量修复全家福

创建batch_process.sh脚本：

#!/bin/bash INPUT_DIR="inputs/raw_photos" OUTPUT_DIR="outputs/restored" for file in $INPUT_DIR/*.{jpg,png}; do filename=$(basename -- "$file") python inference_codeformer.py \ -w 0.5 \ --input_path "$file" \ --output_path "$OUTPUT_DIR/${filename%.*}_restored.png" done

赋予执行权限后运行：

chmod +x batch_process.sh ./batch_process.sh

对于影楼级需求，可以结合OpenCV进行后处理：

import cv2 import numpy as np def add_vintage_effect(image_path): img = cv2.imread(image_path) sepia = np.array([[0.272, 0.534, 0.131], [0.349, 0.686, 0.168], [0.393, 0.769, 0.189]]) vintage = cv2.transform(img, sepia) cv2.imwrite(image_path.replace('.png', '_vintage.png'), vintage)

最后分享一个实用小技巧：修复1940-1970年代的照片时，尝试添加--color_shift 0.1参数，能还原出更符合当时相纸特性的暖色调效果。我在处理祖父的军装照时发现，这个细微调整能让制服的颜色更加接近记忆中的样子。