简介这是一套基于深度学习的老照片修复项目提供完整可直接运行的Python源码并自带简洁的Web操作页面。资源定位明确主要面向计算机、数学、电子信息等专业学生可用于课程设计、期末大作业或毕业设计参考也适合对图像修复感兴趣的开发者学习像素级图像处理与模型调用流程。压缩包共20个文件大小约2.1MB包含7个Python源码文件、3个HTML页面、若干图片样例及说明文档py文件覆盖模型定义、工具函数、服务逻辑与图像转换等核心模块HTML实现上传与预览界面png/jpg图片则用于测试修复效果。目前已有306人学习下载说明具备一定参考热度。通过该源码读者可直观了解深度学习老照片修复的完整实现思路包括模型加载、色彩转换、前端交互等环节项目结构清晰便于在此基础上自行调试或二次开发快速实现个性化修复功能。1. 把扫描仪里的泛黄旧照片扔进这个Web页面点一下就能得到能洗出来的清晰照片这套源码到底做了什么老照片修复在深度学习里是个很特别的场景它没有标准答案。照片的损伤来自多个源头——扫描噪点、暗角、划痕、褪色、人脸模糊每一种损伤对应不同的图像退化模型。这个标题给出的Python源码包本质上是一条由“检测-重建-增强”三段拼接的修复管线外加一个本地Web页面让你不用写一行命令去调模型全部操作就是打开浏览器、上传照片、等结果。适合两类人一是想拿现成方案给家里老照片翻新的普通用户二是想看懂这套管线怎么组织、再往里换模型的开发者。它是一个典型的“深度学习落地”项目——技术深度不算高但把处理好坏、跑得快慢、换模型麻烦不麻烦这几个坑集中在一起做一遍比看十篇论文管用。2. 老照片修复的技术底座退化模型、修复管线与为什么选Python2.1 老照片损伤的五个来源从划痕、噪声到褪色修复到底在解什么深度学习修复老照片第一步不是选模型而是认清照片上的损伤属于哪一类。不同损伤的数学表达不一样处理方式也不同。常见的五类损伤是划痕与折痕、颗粒噪声、模糊与失焦、褪色偏色、人脸特定区域的形变。划痕在图像里表现为高频异常边缘噪声是叠加在像素上的随机扰动模糊是高频信息的丢失褪色是通道级颜色分布的偏移。老照片最头疼的是这些损伤同时存在单独用一种算法处理会按下葫芦浮起瓢。所以这类源码包通常采用的是一条组合管线先用检测模型定位缺陷区域划痕、噪点、大块缺失再做全局去噪与超分辨率重建最后针对人脸区域做一次专门的增强。你可以把这条管线理解成“先清障、再铺路、最后美化”——其中任意一步的输出都会影响下一步的输入质量。这里有个参数层面的小知识很多刚接触深度学习的人会问“parameter应该不是mb吧”指的是模型参数量以百万为单位计算而权重文件的大小以MB为单位两者之间差一个量级。在修复项目里一个参数量1亿左右的人脸增强模型权重文件大约在300MB到500MB之间这个体积对应的是模型对“什么样的人脸算是清晰”的大量先验记忆。损伤类型图像层面的表现深度学习处理方式划痕折痕高频条带沿固定方向目标检测定位 局部重建颗粒噪声全图随机高频扰动去噪网络噪声估计 滤波模糊失焦高频信息衰减超分辨率重建上采样 细节生成褪色偏色通道直方图偏移颜色校正 / 上色网络人脸形变五官结构异常人脸先验增强GAN生成细节2.2 主流的修复管线目标检测式修复、GAN重建与上色模块的选择很多人以为老照片修复就是一个二值问题——把模糊图变清晰。实际上单靠一个超分模型是救不了大划痕的因为超分模型学到的是“低分辨率 → 高分辨率”的映射它不知道面前这条白线是一道划痕还是衣服上的纹路。所以现在的成熟方案会把这个任务拆成两步先检测再重建。检测负责告诉重建模块“哪里坏了”重建负责把坏了的地方按周边纹理推测补上。这种“检测 生成”的结构最典型的代表就是从真实旧照片中做划痕检测和目标移除的方法。生成部分主流选择是GAN。GAN在这里做的事通俗说就是“让生成器去猜原图长什么样再用判别器不断打分逼它交出一个更真实的答案”。从DeepFill到LaMa从GFPGAN到CodeFormer都是沿着这个思路演化出来的。它们各自有明确的适用边界GFPGAN擅长大面积人脸修复但容易把皮肤磨成胶质CodeFormer对人脸结构的保持更稳但对全局背景损伤处理得少DeOldify偏上色对灰度照片做颜色幻觉很出彩但对划痕和噪声几乎没有修复能力。这套源码里你经常会看到torch.hub加载预训练权重的语句那个load_state_dict过程如果报错八成是权重文件版本与模型结构不相符而不是代码写得有问题。2.3 为什么是PythonWeb不是作者偷懒而是这套结构本来就该这么拆深度学习项目选Python几乎不需要理由训练与推理生态全在Python这边。而Web页面这部分很多人一开始会误解成“拿Flask硬套一个前端壳子”实际上这是一个非常合理的使用场景设计。老照片修复的调用者往往是家里长辈或非技术用户你不可能让他们去命令行里输入python infer.py --model xxx。Web页面在这里起的作用不是展示而是把推理接口和文件接口包一层人机交互的皮这也是为什么标题里特意强调“自带web页面超级简单”——它意味着项目内置了一个可直接启动的本地服务上传照片之后用浏览器就能操作不用安装任何第三方看图或编辑器。实现这个Web页面的常见做法有两类一类是Flask 原生HTML把图片存到临时目录后用subprocess调用推理脚本胜在依赖少另一类是Gradio或Streamlit几行代码就能搭出上传框、滑条和结果预览。我一般拿到这类源码会先去看启动脚本里import了哪个库如果是gradio那依赖版本就比Flask敏感得多需要严格对着requirements.txt装。Web部分本身的价值在于它把“跑模型”封装成了“用系统”后续你要加批量处理、加前后对比、加参数预览改的也只是一个handler函数不需要碰模型推理那部分代码。3. 把zip变成能用的系统解压、装依赖、启动Web页面的完整步骤3.1 解压与目录结构先认清楚模型权重放哪再碰代码拿到zip包之后第一步不是解压完就急着跑而是先看目录结构尤其要找到模型权重文件的存放位置。老照片修复项目里最常见的翻车就是把权重文件没放在预期路径下代码跑起来之后报一个FileNotFoundError。这类源码包的目录结构通常包含一个放代码的src或infer目录一个放预训练权重的weights或models目录一个requirements.txt以及一个启动入口可能是app.py也可能是webui.py。如果你解压后发现models目录是空的先别急着跑常见做法是去压缩包里的README或者config.yaml里找模型下载地址。# 解压并查看结构不要直接双击运行 unzip old_photo_restore.zip -d old_photo_restore cd old_photo_restore # 查看目录树重点确认 weights/models 目录是否存在 find . -type f | head -40解压之后用find命令确认权重文件路径。如果发现models目录为空说明预训练权重需要单独下载这是这类源码包最常见的“坑”。我一般会把权重文件先确认好并放进目录再继续装依赖不然装完环境才发现模型文件不在排查起来会非常被动。还有一个细节是zip包的文件路径中如果含中文或空格部分Linux环境会报解析问题稳妥的做法是解压到纯英文路径下。3.2 创建虚拟环境与安装依赖torch、torchvision、gradio/openCV的版本组合老照片修复项目对Python环境的要求通常集中在几个库上PyTorch、torchvision、OpenCV、Pillow、numpy以及Web界面那块用的Gradio或Flask。最容易出问题的就是torch与torchvision的版本对应关系——torch 2.1.0必须配torchvision 0.16.0版本错位会直接报runtime error。建议新建一个独立的虚拟环境不要直接装到系统Python里否则之后会被其他项目的依赖冲突折腾得头疼。# 创建Python 3.10虚拟环境老照片修复项目对3.8-3.11兼容性最好 python3.10 -m venv venv source venv/bin/activate # 先装PyTorch CPU或CUDA版本这里以CUDA 12.1的匹配版本为例 pip install torch2.3.0 torchvision0.18.0 --index-url https://download.pytorch.org/whl/cu121 # 再装项目声明的依赖 pip install -r requirements.txtrequirements.txt里如果列的是opencv-python注意它和opencv-contrib-python不能同时存在否则会在调用cv2时出现符号冲突。Gradio的版本尤其值得留意早期版本3.x和较新版本4.x/5.x的API差异很大如果启动文件里的launch()写法是按3.x的规范写的装上4.x会直接抛AttributeError。判断方法是看代码里用的是blocks.launch()还是interface.launch()前者两个版本都支持后者在4.x中仍兼容但如果看到launch(show_errorTrue)这类参数在5.x里被废弃了就说明项目比较新不要用旧版本去迁就。3.3 启动本地Web服务最小命令、浏览器访问与首次推理环境装完后启动Web服务本身的命令非常简单。这类源码包基本会设计成一条命令启动python app.py或python webui.py。启动成功后控制台会打印一段Local URL通常是http://127.0.0.1:7860或http://127.0.0.1:5000。打开浏览器访问这个地址就能看到上传界面。首次推理建议选一张分辨率适中的照片比如1000×800左右不要一上来就丢一张3000像素的超大扫描件不然首次加载模型 做推理会非常慢容易被误判断成卡死。# 启动Web服务不同项目的启动入口可能不同以app.py或webui.py为准 python app.py # 看到如下输出说明服务已启动 # Running on local URL: http://127.0.0.1:7860首次推理时CPU会有一段较长时间的模型加载过程这是正常的。我一般会提前做好一个心理预期第一次跑模型权重文件从磁盘加载到内存再加载到显存加上推理本身的时间一张1000像素的照片可能需要30秒到2分钟。等第一张图跑通之后的速度会快很多。这里有个值得注意的点如果浏览器页面能打开但是上传照片后一直不返回结果优先去控制台看有没有报错而不是刷新页面。老照片修复这类需要长时间推理的任务网页本身没有太多后台任务机制结果就是在前端页面同步等待的后端一报错页面就会卡在转圈状态。4. 让修复效果从“能跑”到“好看”必调参数与模型替换4.1 四个直接影响观感的参数tile size、upscale、denoise strength、face enhance老照片修复的Web页面那排滑条不是摆设它们直接决定输出照片给人的第一观感。参数怎么调取决于你想得到一张“保留原味但更清楚”的照片还是“细节全新但有些不像原图”的照片。区别就藏在四个参数的具体取值上。tile size是处理分块大小它的作用与显存直接相关同时对修复质量也有影响。tile size太小比如设成128分块之间的接缝会产生明显的拼接痕迹尤其对天空和墙面这类均匀纹理区域最明显设得太大显卡显存不够就会直接OOM。常见做法是先设512如果显存充裕再往上加。upscale控制输出相对输入的分辨率放大倍数。老照片修复和普通超分不一样放大倍率太高容易把原本就模糊的人脸细节“凭空生成”出来多数项目建议2倍以内。denoise strength是去噪强度这是最需要手感的一个参数调大了会把照片里真实的肤质和衣服纹理一起抹平调小了噪声仍然明显。face enhance是一个开关或强度值用来控制是否在生成后用一个人脸增强模型处理面部区域。参数作用范围建议起点过大效果过小效果tile size全图分块512显存溢出接缝明显upscale输出分辨率1-2面部幻觉细节不足denoise strength全图噪声0.5-0.7纹理丢失噪声残留face enhance人脸区域开启皮肤胶质五官模糊4.2 显卡不够时怎么跑CPU推理、半精度与分块策略老照片修复项目在真实的落地过程中最大的门槛不是算法而是硬件。很多人拿一台没有独立显卡的笔记本就想跑结果把照片传进去之后等到怀疑人生。其实CPU也能跑只是速度感人。如果你的机器没有NVIDIA显卡或者显存不足第一个要做的调整是把推理设备从CUDA切成CPU这个操作通常在配置文件中以device cpu的形式存在。切成CPU之后batch size要设为1tile size再往下调比如256否则内存会被吃满。# 推理代码中强制使用CPU设备通常位于模型加载部分 import torch # 把设备固定为cpu避免CUDA不可用时程序崩溃 device torch.device(cpu) # 半精度模型在CPU上可能不被支持需要转为float32 model model.to(device).float() model.eval()半精度fp16是另一条重要的优化路径。在支持CUDA的显卡上很多这类项目默认开启fp16以节省显存并提速但如果你的显卡不支持半精度计算推理时会直接报错。判断方法是看控制台是否出现“Half precision is not supported”这类提示。我一般会看一眼显卡型号NVIDIA 20系及以上都支持fp16但如果是GTX 10系及以下的卡就把fp16关掉损失的速度在可接受范围内。无论哪种情况tile size都是显存不够时最先要动的参数因为分块输出结果是拼接的只要模型权重能放进显存中等尺寸的照片就能跑通。4.3 换模型与换预训练权重GFPGAN、DeOldify与Backup模型的选择老照片修复源码包里最值得改的就是模型层因为不同预训练权重的“审美”完全不同。常见的三个选择GFPGAN对含有人脸的照片有很强的效果但会把背景皮肤一起磨掉CodeFormer人脸轮廓保留更真实但显存占用更高DeOldify则是对黑白/泛黄照片上色效果极好本身不解决划痕和模糊。这类项目通常会留一个models.yaml或config.json用来指定推理时加载哪个权重文件改动的方式就是改配置里的模型名而不是改代码。# 配置文件中的模型切换逻辑以models.yaml为例 # 下面为伪代码实际项目以具体加载方式为准 model_config { restoration: GFPGAN_v1.4, # 可选: CodeFormer, GFPGAN, DeOldify weight_path: ./weights/GFPGANv1.4.pth, face_enhance: True }切换模型之后要注意两个细节。第一是权重文件的尺寸是否能与代码里定义的网络结构对应比如GFPGANv1.4.pth约300多MB如果你下载的是v1.2版本的文件结构对不上会报unexpected key错误。第二是模型的输入分辨率限制不少修复网络只接受256×256或512×512的人脸区域输入代码里会自动先做人脸检测再裁剪送入模型如果你换了模型而检测框的剪裁尺寸还是旧模型的会出现人脸区域细节变差的现象。我自己在调这类项目时的习惯是先保持默认参数跑通再分别换模型对比同一张照片三个版本的输出肉眼比指标更直观。5. 踩坑与排查老照片修复最容易翻车的五个现场5.1 现象修复出来的脸像蜡像发际线全糊这是老照片修复里最典型的人脸翻车现场尤其出现在老旧合影照片中。原因是人脸增强模块的生成强度太高模型在“补细节”和“伪造细节”之间失去了平衡。遇到这种情况第一反应该是去查face enhance的强度值是否被拉满。这类项目的Web页面上通常会提供一个人脸修复强度的滑条默认值在0.5到0.7之间如果你拖到了1.0以上皮肤会像磨皮过度一样失去质感头发边缘会被生成出伪纹理。解决方式很简单把人脸增强强度调回0.5左右优先保证五官结构不被破坏。如果强度已经很低了仍然发糊就要怀疑检测框是否把整张脸都裁进去了——人脸检测漏检半张脸时生成网络会只补那半个区域出现结构断裂。5.2 现象暗部变成黑斑照片越修越脏暗部在老旧照片里本来就近乎一片死黑修复算法想在黑乎乎的区域里还原细节结果往往会生成出一堆不存在的色斑和亮块。这个问题的根源是denoise strength设置得太高或者tile size太小导致模型在低纹理区域产生幻觉。我的排查顺序是先把denoise strength降到0.3再看暗部是否改善如果仍然有斑块把tile size往上调一个档位因为更小的分块会让模型在推理时丢失全局明暗信息。还有一个容易被忽略的原因是输入照片本身被做过一次无意的JPEG压缩暗部的banding噪声被算法当作细节去增强放大成条纹。这种情况无法靠参数救回只能换一张原图保存质量更高的扫描版本。5.3 现象显存爆掉CUDA out of memory在你试图用一张4000×3000的扫描大图测试时几乎必然碰到这个报错。原因很明确修复网络的中间特征图尺寸与输入分辨率成正比显存按照线性甚至超线性增长。解决方式按照性价比从高到低排列先调小tile size再把输入图片按比例缩放到2000像素以内跑预修复最后考虑换用半精度。如果以上三条都做了还是爆那说明你的显卡显存不足以跑这个模型不要在代码里找问题。另外有个细节用Gradio这类框架时即使你只上传一张图框架本身也会在显存里保留过往的推理结果用于显示对比图连续修复多张图时旧结果不会自动释放我一般会隔几张就重启一次服务。5.4 现象Web页面上传后一直转圈或者被浏览器拦截这套源码的Web页面是本地服务本身没有跨域和权限问题最常见的转圈原因其实是后端模型在推理过程中异常退出页面却还在等待响应。解决办法是看一眼运行服务的那个控制台窗口所有错误信息都打印在那里。另一个常见原因是浏览器在本地服务下拦截了上传后的文件访问权限尤其是Chrome或Edge对类型为“file://”的回显地址有安全策略。如果你在代码里看到类似result_image.save(temp.jpg)然后前端去访问temp.jpg的写法要注意temp.jpg的文件路径是不是相对路径相对路径在浏览器中会被解析成当前域名下的地址而不是本地文件系统路径。这类问题的一个通用规避方法是把回显改成base64编码的data URL直接嵌进页面不经过文件系统。5.5 现象输出图片偏绿/偏黄颜色怎么调都不对老照片本身是偏色的修复后仍然偏色虽然不理想但至少说明算法没有把颜色通道弄崩。如果输出出现明显的整体性偏绿通常不是修复网络的参数问题而是预处理阶段用了不正确的色彩空间转换。老照片修复的代码里最常见的一个坑是先用cv2.imread读图BGR顺序再直接调用PIL保存或Gradio显示而PIL和Gradio都按RGB顺序解析于是红蓝通道对调色调就会向青色漂移。排查方向很明确检查代码里是否做了cv2.COLOR_BGR2RGB转换。如果你修改了输入缩放部分的代码也要确保缩放前后的色彩空间没有发生二次变换故障总是在改动后引入的。6. 用脚本批量验证效果前后对比图、指标与固定随机种子的一次实践多张照片对比时用Web页面一张张拖进去很费劲我习惯写一个批量脚本把输入目录里的所有照片按顺序跑一遍然后自动生成左右拼图。做法很简单读图、调用与Web页面相同的推理函数、再用PIL横排拼接。推理函数必须与Web页面用的是同一个否则你验证的是两套完全不同的管线调参时会被误导。批量脚本跑一次之后把每个子目录里的前后对比图按文件夹排列开来用看图工具一张张快速翻看比盯着一张图看细节更能判断整体风格是否统一。import os import torch from PIL import Image, ImageDraw # 与Web页面共用同一个推理函数避免验证与实跑不一致 from infer import restore_image # 遍历输入目录输出拼图 input_dir ./test_photos output_dir ./results os.makedirs(output_dir, exist_okTrue) # 固定随机种子保证两次推理得到相同的生成结果 torch.manual_seed(42) if torch.cuda.is_available(): torch.cuda.manual_seed_all(42) for filename in sorted(os.listdir(input_dir)): if not filename.lower().endswith((.jpg, .jpeg, .png)): continue img_path os.path.join(input_dir, filename) out_path os.path.join(output_dir, filename) # 原图与修复图横排拼接左侧原图右侧结果 original Image.open(img_path).convert(RGB) restored restore_image(original, tile_size512, face_enhance0.5) width original.width result Image.new(RGB, (width * 2, original.height)) result.paste(original, (0, 0)) result.paste(restored, (width, 0)) result.save(out_path) print(fprocessed: {filename})这段代码里最关键的三个点分别是固定随机种子、共用推理入口、拼接保存。固定随机种子这个习惯很多人会忽略但老照片修复的生成网络在推理阶段如果存在随机采样同一张图跑两次结果不完全一样。你调参数时如果没固定种子前后两次改动之间的差异会混入随机性导致你判断错误“改这个参数到底有没有用”。拼接保存能让你在对比时不必来回切窗口眼睛在左右相邻的两幅图上扫一眼有没有改善一目了然。至于PSNR、SSIM这类数值指标在同源照片上可以参考但老照片修复没有真实原图做基准指标算出来只能表示“差异大小”不能表示“修复得好坏”一张被过度磨皮的图PSNR可能反而很高。所以我的习惯是数值指标为辅左右对比为主修三张以上后再回看整套图看色彩一致性有没有崩掉。这套之前项目里折腾下来最大的教训就是把时间花在调Denoise强度上结果发现真正拉开效果差距的其实是输入端照片的预处理——那种严重发黄的照片先用白平衡校到中性色再进模型比任何参数都管用。希望你拿到这套源码后第一件事不是急着调滑条而是把模型权重认清楚找一张中等尺寸的老照片跑通一次全流程再去折腾那些让人眼花缭乱的参数。希望帮到你。本文还有配套的精品资源点击获取