Реставрация старых фото нейросетью: большой тест с измеримой метрикой

Обычные обзоры реставрации заканчиваются на «стало красиво» - проверить там нечего, оригинала никто не видел. Я собрал полигон с эталоном, испортил восемь снимков по документированному алгоритму, прогнал их через Nano Banana Pro, GPT Image 2, Seedream 5.0 Pro и Topaz и посчитал, насколько уехало лицо. 

Реставрация старых фотографий нейросетью устроена одинаково: слева мятый снимок, справа чистый, между ними стрелочка и слово «вау». Проблема в том, что так нельзя проверить главное. Нейросеть не восстанавливает фотографию - она смотрит на нее и рисует новую, похожую. И когда речь о единственном снимке прадеда, вопрос не в том, стало ли красиво. Вопрос в том, остался ли там прадед.

Как я сравнивал лучшие нейросети для реставрации старых фото

Как это измерялось: эталон → старение → четыре нейросети → индекс идентичности
Как это измерялось: эталон → старение → четыре нейросети → индекс идентичности

Взял восемь семейных снимков, испортил их скриптом - заломы, зерно, разрывы, - и прогнал через четыре нейросети. А потом посчитал ArcFace-эмбеддинги и проверил, остался ли на фото тот же человек.

Спойлер: из 23 пар «кадр × инструмент» реставрация приблизила лицо к оригиналу только в трех случаях. В остальных двадцати поврежденная фотография была ближе к оригиналу, чем то, что вернула нейросеть. Среднее по всем кадрам: у поврежденных снимков близость к оригиналу 0.79, у лучшей из моделей - 0.69.

Дальше - как это считалось, где именно модели врут и что с этим делать.


Лучшие нейросети для реставрации старых фото

  • Nano banana pro - в отличие от многих современных генеративок, он отлично работает с реализмом и не превращает людей на снимках в «пластиковых кукол» с неестественной кожей

  • GPT Image 2 - работает как опытный реставратор: нейросеть отлично понимает контекст и может логично дорисовать утерянные фрагменты одежды или фона, вместо того чтобы просто замыливать дыры

  • Seedream 5.0 - настоящая находка для сложных архивных снимков: благодаря точечному анализу он выдает четкий результат там, где другие модели превращают мелкие узоры, кружева или лепнину в абстрактную кашу

  • Topaz - классика и самый «честный» инструмент: он ничего не выдумывает от себя, а хирургически убирает заломы, трещины и зерно, сохраняя историческую правду кадра


СОДЕРЖАНИЕ


Почему обычные сравнения ничего не доказывают

У любого сравнения «до и после» есть дыра, которую обычно не замечают: мы не знаем, как выглядел оригинал.

Вот залом через лицо невесты. Нейросеть его убрала. Лицо стало гладким и симпатичным. Но откуда мы знаем, что под заломом было именно это лицо? Информации там не было - модель ее придумала. Она могла придумать точно, а могла подсунуть усредненное лицо из обучающей выборки, и отличить одно от другого на глаз невозможно. Именно поэтому все обзоры реставрации заканчиваются на «смотрится отлично» - дальше идти просто не с чем.

Обойти это можно единственным способом: сделать так, чтобы эталон у нас был.

Берем чистую фотографию. Портим ее по документированному алгоритму. Реставрируем. И сравниваем результат не с испорченной версией, а с чистой, которая все это время лежала в отдельной папке. Теперь «модель придумала другое лицо» - это не впечатление, а разница двух чисел.

Подход не мой: так устроены научные бенчмарки восстановления изображений - синтетические пайплайны деградации в духе Real-ESRGAN, свежие архивные бенчмарки вроде AbsoluteDegradation. Просто в популярных обзорах это почему-то никто не применяет.

Сразу оговорюсь, чтобы не было недопонимания: тестовый набор синтетический. Восемь исходников сгенерированы, а не отсканированы из альбома. Это не компромисс, а условие эксперимента - без чистого эталона измерять нечего. Стилистика при этом честная: формат кадра, повреждения и типы снимков взяты из реальных семейных архивов, а не выдуманы.

Как состарить фотографии нейросетью

Схема из четырех шагов:

  1. Эталон. Чистый резкий снимок в стилистике своей эпохи. Лежит нетронутым.

  2. Старение. Скрипт накладывает повреждения: заломы, зерно, выцветание, разрывы, блики, потерю резкости. Детерминированно, с фиксированным seed — прогон повторяется бит в бит.

  3. Реставрация. Один и тот же файл, один и тот же промпт, четыре инструмента.

  4. Метрика. Сравнение результата с эталоном по лицам.

Скрипт старения - обычный numpy плюс OpenCV, ничего экзотического. Вот, например, залом. Настоящий сгиб - это не линия поперек фотографии: с одной стороны эмульсия ловит блик, с другой уходит в тень, само изображение на изломе слегка смещается, а по гребню сгиба эмульсия осыпается.

def crease(img, p0, p1, width, rng, depth=0.35, shift=3):

    h, w = img.shape[:2]

    yy, xx = np.mgrid[0:h, 0:w].astype(np.float32)

    x0, y0 = p0; x1, y1 = p1

    dx, dy = x1 - x0, y1 - y0

    d = ((xx - x0)  dy - (yy - y0)  dx) / np.hypot(dx, dy)

    wobble = cv2.GaussianBlur(rng.normal(0, 1, (h, w)).astype(np.float32), (0, 0), 40)

    d = d + wobble  width  0.6

    highlight = np.exp(-((d - width  0.45) * 2) / (2  (width  0.5) ** 2))

    shadow    = np.exp(-((d + width  0.45) * 2) / (2  (width  0.5) ** 2))

    core      = np.exp(-(d  2) / (2  (width  0.22)  2))

    out = img + (highlight  depth  0.55)[..., None]

    out -= (shadow  depth  0.75)[..., None]

    out -= (core  depth  0.50)[..., None]

    band = np.exp(-(d  2) / (2  (width  1.6)  2))

    map_x = (xx + band  shift  np.sign(d)).astype(np.float32)

    out = cv2.remap(out, map_x, yy.astype(np.float32), cv2.INTER_LINEAR,

                    borderMode=cv2.BORDER_REFLECT)

    flakes = (rng.random((h, w)) < 0.02) & (core > 0.35)

    out[flakes] = np.clip(out[flakes] + 0.45, 0, 1)

    return out

Куда класть сгиб - вопрос не косметический. Залом по фону не значит ничего, залом по лицу решает все. Поэтому лицо ищется детектором, и сгиб кладется строго через его центр:

faces = find_faces(img)

cx, cy = faces[0][0] + faces[0][2] / 2, faces[0][1] + faces[0][3] / 2  # самая левая — невеста

ang = np.deg2rad(28.0)

img = crease(img, (cx - w*np.cos(ang), cy - w*np.sin(ang)),

                  (cx + w*np.cos(ang), cy + w*np.sin(ang)),

             width=h*0.009, rng=rng, depth=0.32, shift=4)

Остальные повреждения устроены так же: раздельное тонирование теней и светов для умирающей моментальной пленки, разрыв с рваным краем и смещением половинок, выдранный кусок бумаги с двухоктавным шумом по контуру, имитация пересъемки слайда телефоном - перспектива, блик от лампы, пыль.

Восемь кадров после старения. Каждый закрывает свой тип повреждения
Восемь кадров после старения. Каждый закрывает свой тип повреждения

Восемь кадров для реставрации и зачем каждый

Специально ни одной знаменитости. Мэрилин Монро отреставрировали пятьсот раз, и вы не узнаете в ней свою бабушку. Вместо этого - восемь архетипов из семейного альбома.

Кадр

Свадьба в ЗАГСе, 1958
Свадьба в ЗАГСе, 1958

Повреждение: залом через лицо невесты, сепия, потертые углы

Что проверяем: самый частый дефект в альбомах

Кадр

Фронтовое фото, 1943
Фронтовое фото, 1943

Повреждение: отпечаток 4×6, зерно, выцветание

Что проверяем: дорисует ли модель награды

Кадр

Школьный класс, 1987
Школьный класс, 1987

Повреждение: лица по 24 пикселя 

Что проверяем: мелкие лица на групповом снимке

Кадр

Застолье, 1996
Застолье, 1996

Повреждение: желтизна, «мыло», завал по краям от вспышки

Что проверяем: цвет плюс сохранность даты в углу

Кадр

Полароид, 1994
Полароид, 1994

Повреждение: тени ушли в синеву, рамка пожелтела

Что проверяем: сильный цветовой сдвиг

Кадр

Портрет, 1970-е
Портрет, 1970-е

Повреждение: разрыв пополам, скотч, выдранный кусок щеки 

Что проверяем: восстановление того, чего нет 

Кадр

Слайд, 1979
Слайд, 1979

Повреждение: пересъемка телефоном: блик, перспектива 

Что проверяем: недооцененный массовый сценарий

Кадр

Двор, 1960-е
Двор, 1960-е

Повреждение: лицо ≈ 10 пикселей, смаз

Что проверяем: предел метода

Последний кадр стоит объяснить отдельно. Там в лице физически не осталось информации - восстанавливать нечего. Это контрольный эксперимент: любая модель обязана что-то нарисовать, и интересно посмотреть, что именно.


Как считалась идентичность реставрации старых снимков

Метрика простая и стандартная: лицо с эталона и лицо с результата прогоняются через ArcFace (buffalo_l, w600k_r50), считается косинусная близость эмбеддингов. Это та же математика, по которой работают системы распознавания лиц. Ориентиры: больше 0.5 - уверенно тот же человек, 0.3–0.5 - сомнительно, меньше 0.3 - другой человек.

Логика такая: если после «реставрации» распознавалка перестает видеть в человеке того же человека, то реставрации не было. Было рисование заново.

Две вещи пришлось переделать по ходу.

  • Сопоставление лиц. Сначала я сопоставлял лица по координатам в кадре. Не сработало: половина моделей молча перекадрирует снимок - квадрат превращается в 16:9 - и позиции разъезжаются. Пришлось сопоставлять венгерским алгоритмом по самим эмбеддингам, а порядок лиц слева направо использовать как проверку корректности сопоставления.

python

cost = np.zeros((len(ref), len(test)))

for i, (_, _, e1) in enumerate(ref):

    for j, (_, _, e2) in enumerate(test):

        cost[i, j] = 1.0 - float(np.dot(e1, e2))

rows, cols = linear_sum_assignment(cost)
  • Масштаб детектора. Крупный портрет во весь кадр детектор на большом входе просто не видит, а мелкие лица школьной линейки теряет на малом. Лечится двумя проходами с объединением находок: 

python

Промпт реставрации старых снимков для всех моделей был один и тот же - иначе тест превратился бы в сравнение промптов: 

Restore this damaged old photograph. 

Remove creases, tears, scratches, 

stains and film grain. Recover 

sharpness and detail, correct the 

fading and color cast. Do not change 

the person's facial features, proportions, 

age, expression or hairstyle. Do not add, 

remove or alter clothing, uniform collar tabs, 

shoulder boards, medals, badges or buttons. 

Do not add objects that are not present. 

Do not remove the date stamp, the white 

border or any handwriting. Keep the original 

framing, crop and aspect ratio. Photorealistic 

film rendering, natural skin texture, no 

plastic smoothing, no beautification. 

Обратите внимание на предпоследнее предложение. Оно еще пригодится. 


Результаты реставрации старых снимков нейросетью

Кадр

Поврежденный

Nano Banana Pro

GPT Image 2

Seedream 5.0 Pro

Topaz

Свадьба, 1958

0.78

0.53

0.68

0.63

0.58

Фронтовое, 1943

0.86

0.74

0.94

0.72

0.76

Класс, 1987 (28 лиц)

0.43

0.45

0.32

0.25

—

Застолье, 1996

0.84

0.66

0.66

0.70

—

Полароид, 1994

0.92

0.67

0.84

0.81

—

Портрет с утратой

0.81

0.80

0.78

0.88

—

Слайд, 1979

0.87

0.57

0.64

0.51

—

Двор, лицо ≈ 10 px

лица нет

0.27

0.38

0.22

0.31

Среднее (7 кадров)

0.79

0.63

0.69

0.64

—

Topaz гонялся только на трех ключевых кадрах - свадьба, фронтовое, двор. На них расклад такой: GPT Image 2 - 0.66, Topaz - 0.55, Seedream - 0.52, Nano Banana Pro - 0.52.

Главное здесь - первый столбец. Поврежденная фотография почти всегда ближе к оригиналу, чем любая ее реставрация. Залом мешает смотреть человеку, но почти не мешает распознавалке: черты лица под сгибом искажены локально, а общая геометрия цела. «Реставрация» же переписывает геометрию целиком.

Три исключения, где инструмент действительно помог, стоит назвать поименно: GPT Image 2 на фронтовом фото (0.94 против 0.86), Nano Banana Pro на школьном классе (0.45 против 0.43) и Seedream 5.0 Pro на разорванном портрете (0.88 против 0.81). Все три случая объединяет одно: информация в кадре была, ее нужно было вытащить, а не выдумать.


Свадьба: залом убрали вместе с невестой 

Это самый наглядный разворот всего теста. Слева эталон, дальше поврежденный снимок и четыре реставрации.

Nano Banana Pro (0.53) сузил невесте лицо и изменил рисунок рта - формально еще «тот же человек», но по нижней границе. GPT Image 2 (0.68) сделал ее моложе и симпатичнее: крупнее глаза, глаже кожа, мягче скулы. Seedream (0.63) и Topaz (0.58) посередине.

Все четыре картинки красивее оригинала. Все четыре - уже немного не она. И вот тут важный момент: ни один из инструментов не сообщает, что он это сделал. Вы получаете гладкое лицо и не знаете, насколько оно уехало.


Фронтовое: награды, которых не было

Самый громкий результат теста.

На эталоне - рядовой в гимнастерке с отложным воротником. Ни петлиц, ни погон, ни наград. Промпт прямым текстом запрещал добавлять знаки различия и медали.

Seedream 5.0 Pro выдал человека в погонах со звездами, с петлицами, двумя орденами и медалью на груди.

Это не «немного приукрасил». Это готовый портрет для «Бессмертного полка», на котором прадед носит награды, которых у него не было. Каждый апрель тысячи людей несут такие снимки в печать на штендер - и там ровно эта картинка поедет по улице.

Отдельно замечу: GPT Image 2 на этом же кадре дал лучший результат всего теста, 0.94, а Topaz - 0.76. Форму не тронул ни тот, ни другой. То есть проблема не в жанре и не в промпте: инструменты просто ведут себя по-разному, и заранее вы не знаете как.


Школьный класс: 28 лиц по 24 пикселя

Групповое фото - массовый запрос: «мне нужно вытянуть отсюда одно лицо». Здесь есть чем мерить: 28 лиц на кадре дают нормальную статистику.

Средняя близость: до - 0.43, Nano Banana Pro - 0.45, GPT Image 2 - 0.32, Seedream - 0.25. Никто не дотянул до порога 0.5, то есть ни одна модель не вернула узнаваемых детей.

Но интереснее другая цифра. Я проверял, сохраняется ли порядок сопоставления лиц слева направо. У повреждённого снимка он идеальный - 1.00. У Nano Banana Pro 0.82, у Seedream 0.93. А у GPT Image 2 - 0.47: дети стали настолько похожи друг на друга, что алгоритм перестал понимать, кто где стоит.

Практический вывод простой: групповое фото нейросетью не реставрируется. Если нужно одно лицо - вырезайте его и работайте с фрагментом, а не со всем снимком.


Двор: четыре инструмента - четыре разных человека

Контрольный эксперимент. Лицо в исходнике занимает примерно десять пикселей и смазано. Восстановить оттуда нечего физически.

0.27, 0.38, 0.22 и 0.31 при пороге «тот же человек» 0.5. Четыре разных мужчины, ни один из которых не имеет отношения к исходному.

Seedream пошел дальше всех: прохожий в кепке и пальто превратился в офицера в фуражке и шинели с наградами. Модель дорисовала не только лицо, но и биографию.

Ни один инструмент не сказал «здесь недостаточно данных». Это, пожалуй, главная претензия к жанру: у реставрации нейросетью нет режима «не знаю».

И ещё одна деталь на этом же кадре, которую я заметил, только когда полез разглядывать углы. В правом нижнем углу результата Topaz появился аккуратный штамп даты - 27.03.1952. На исходнике его не было. В том же углу эталона нет ничего, кроме еле заметных архивных пометок.

То есть инструмент, который по идее просто чистит пиксели, взял неразборчивое пятно и прочитал его как дату. Правдоподобную, конкретную, с точностью до дня - и полностью выдуманную. Если бы такой снимок лег в семейный архив, эта дата через поколение стала бы фактом.


Портрет: единственная честная победа 

Разрыв пополам со смещением половинок, полоса скотча поверх и выдранный кусок бумаги прямо на щеке. Казалось бы, худший кадр набора.

А результат лучший: Seedream 0.88 против 0.81 у поврежденного. Обоснование простое - лицо крупное, резкое, информации море, утрачен небольшой фрагмент. Модели было что достраивать, а не что выдумывать.

Отсюда правило, которое стоит запомнить: чем больше пикселей приходится на лицо, тем честнее работает реставрация. Крупный портрет с большим повреждением реставрируется лучше, чем мелкое лицо без повреждений вообще.


Цвет: возвращается легко, лицо при этом уезжает

Полароид, ушедший в синеву, - самый благодарный материал. Цветовой сдвиг убирается почти идеально, картинка оживает. Но идентичность при этом падает у всех: 0.92 до реставрации против 0.67, 0.84 и 0.81 после. 

С застольем 1996-го связан отдельный маленький тест. Оранжевый штамп даты в углу - не дефект, а часть документа, и промпт запрещал его удалять. Тут все три модели, гонявшиеся на этом кадре, повели себя корректно: дата на месте.

Зато вылезло другое. Исходник квадратный, а Nano Banana Pro и GPT Image 2 молча вернули 16:9 - верх кадра просто исчез. Промпт требовал сохранить кадрирование. Об обрезке никто не предупредил.

Переснятый телефоном слайд дал худшие цифры среди цветных кадров: 0.57, 0.64 и 0.51. Блик от лампы съедает часть лиц, и модели дорисовывают их так же уверенно, как в кадре с двором. 


Какой лучший ИИ инструмент для реставрации старых снимков

По итогам восьми кадров картина складывается такая.

Генеративный редактор - это не реставратор, а пересказчик. Он смотрит на поврежденный снимок, понимает, что там изображено, и рисует новое изображение по мотивам. Результат выходит красивее оригинала почти всегда и дальше от оригинала почти всегда. Это не баг конкретной модели: так устроен сам метод.

Я специально добавил в тест Topaz - инструмент из другого лагеря, который позиционируется как «чинильщик», работающий с пикселями исходника, а не как генератор. Ожидал увидеть зеркальную картину: скромнее по красоте, честнее по идентичности.

Получилось интереснее. По цифрам идентичности Topaz оказался посередине - 0.58 на свадьбе, 0.76 на фронтовом, 0.31 на дворе. Лучше двух генеративных моделей, хуже GPT Image 2. Никакого преимущества «честного» подхода в числах нет.

Зато по содержанию разница огромная: Topaz не надел рядовому награды и не переодел прохожего в офицера. Сцена осталась той же сценой, человек - тем же человеком по одежде и позе, даже когда лицо уехало.

Отсюда важный вывод, которого я не ожидал в начале: это две разные оси, и путать их нельзя.

  • Точность лица. Насколько похож человек. Тут проигрывают все, включая Topaz.

  • Выдуманное содержание. Появились ли в кадре объекты, которых не было. Тут генеративные модели проигрывают катастрофически, а Topaz - заметно меньше.

Заметно меньше, но не «совсем нет»: та самая дата 27.03.1952, взявшаяся из ниоткуда, вышла именно из Topaz. Ни один инструмент в этом тесте не удержался от того, чтобы что-нибудь досочинить.

Отсюда две разные задачи, которые обычно путают:

  • «Хочу, чтобы фото хорошо смотрелось на стене» - генеративная реставрация подходит отлично. Берите GPT Image 2 или Seedream, результат вас порадует.

  • «Хочу сохранить, как выглядел человек и что было на снимке» - а вот здесь красивый результат работает против вас, и проверять придётся вручную.


Как реставрировать старое фото, чтобы не потерять человека 

Практическая часть - что делать, если снимок дорог.

1. Никогда не выбрасывайте исходник. Правило двух файлов: фамилия_1943_original.tif и фамилия_1943_restored.png лежат рядом. Отреставрированное фото - это интерпретация, а не документ. В семейном архиве, в родословной, в заявке в военкомат должен фигурировать оригинал.

2. Сканируйте, а не фотографируйте. 600 dpi для отпечатка меньше 10×15, 300 dpi для большего. Если сканера нет - снимайте при рассеянном свете, строго перпендикулярно, без вспышки. Кадр 7 в тесте показывает, во что превращается пересъемка с бликом.

3. Кадрируйте по лицу. Групповой снимок целиком реставрировать бесполезно. Вырежьте нужное лицо с запасом, отреставрируйте фрагмент, при желании вклейте обратно.

4. Запрещайте явно. Промпт «отреставрируй это фото» дает модели полную свободу. Работает список запретов - не менять черты лица, не добавлять награды и знаки различия, не менять кадрирование, не убирать надписи и дату.

5. Сравнивайте до и после в одном масштабе. Не «красиво или нет», а конкретно: тот же разрез глаз? та же линия носа? то же расстояние между зрачками? родинка на месте? Если снимок важный, эту проверку стоит делать по увеличенным кропам, как в этой статье.

6. Проверяйте все, что имеет форму. Награды, погоны, петлицы, кокарды, пуговицы, очки, украшения, надписи. Именно здесь модели врут чаще всего, потому что «правдоподобно» для них важнее, чем «так и было».

7. Для печати на штендер или памятник - отдельная осторожность. Штендер 30×40 см требует примерно 3500×4700 пикселей на выходе, и апскейл до таких размеров модель сделает без проблем. Вопрос в том, чье лицо будет на этих пикселях.


Сколько это стоило

Все модели я гонял через один агрегатор - Study24, там они собраны в одном месте и не требуют зарубежных карт. Часть нейросетей на платформе доступна бесплатно и без подписки: очередь общая, поэтому ответа иногда приходится подождать, но для разовой задачи это не мешает.

Платные тарифы устроены на внутренних токенах:

Тариф

Цена

Токенов

Start

199 ₽ в неделю

300 в неделю

PRO

499 ₽ в месяц

1180 в месяц

Ultima

топовый

5000 в месяц, приоритетная поддержка и ранний доступ к новым моделям

Практический вывод: чтобы разобрать один семейный альбом, платить, скорее всего, не придется вообще - бесплатного режима на это хватает. Тариф имеет смысл смотреть, только если реставрируете регулярно: помогаете с архивами родне или делаете это на заказ. Мой тест из нескольких десятков прогонов уложился в PRO с запасом. 


Частые вопросы

Можно ли отреставрировать фото нейросетью бесплатно и онлайн?

Да. Часть моделей работает бесплатно и без подписки, минус только в общей очереди - ответа иногда приходится подождать. Для домашнего архива этого достаточно. Регистрация нужна: полностью анонимных вариантов с приличным качеством на сегодня нет.

Какая нейросеть лучше всех реставрирует старые фото?

По измеренной идентичности лица в этом тесте лучший результат у GPT Image 2 - среднее 0.69. Но «лучший» здесь означает «меньше всех исказил», а не «восстановил». Поврежденные оригиналы всё равно оказались ближе к эталону, чем любая реставрация.

Нейросеть может восстановить очень размытое или очень маленькое лицо?

Нет. Она нарисует правдоподобное лицо, но это будет другой человек. В тесте на кадре с лицом в 10 пикселей все четыре инструмента дали результат ниже порога распознавания - 0.22, 0.27, 0.31 и 0.38.

Апскейлер честнее генеративной модели?

По содержанию - да, заметно: он не дорисовывает награды и не переодевает людей. По точности лица - нет, в этом тесте Topaz оказался ровно посередине. И даже он умудрился добавить на снимок дату, которой там не было.

Можно ли раскрасить черно-белое фото?

Да, и это получается заметно лучше реставрации: цвет модель придумывает по контексту, и ошибка тут не так критична. Но исторические цвета - форма, знаки различия, награды - проверяйте отдельно, их модели путают постоянно.

Реставрация меняет размер и кадр снимка?

Часто да, и молча. В тесте две модели из трех обрезали квадратный кадр до 16:9, потеряв верх фотографии, несмотря на прямой запрет в промпте. Всегда сверяйте пропорции результата с исходником.

Подойдет ли отреставрированное фото для «Бессмертного полка» или для памятника?

Технически да - разрешения хватит. Но проверьте форму и награды вручную. В тесте одна из моделей добавила рядовому погоны, два ордена и медаль, которых на исходном снимке не было.

А видео и звук нейросети реставрируют?

Да, это соседняя большая тема со своими моделями и своими артефактами. Здесь я ее не трогаю: методика с эталоном для видео строится иначе.


Нейросети действительно вернут вашей бабушке молодость, уберут заломы и раскрасят гимнастерку. Они не вернут вам бабушку.

Разница между этими двумя предложениями измерима, и в этом тесте она измерена: в двадцати случаях из двадцати трех поврежденная фотография была ближе к оригиналу, чем ее отреставрированная версия.

Это не повод не реставрировать. Это повод хранить оригинал, не выбрасывать скан и держать в голове, что красивая версия - интерпретация, а не документ. Через тридцать лет ваши внуки будут смотреть именно на тот файл, который вы оставите.

Пусть это будет тот, где еще виден настоящий человек.

Все модели из теста собраны на Study24 - часть доступна бесплатно, если хотите прогнать свой снимок и сравнить сами.

Реклама. ООО «ДИДЖИТАЛ ГЕНИУС». ИНН 7813681158