Você obtém o resultado real, não apenas uma prévia borrada.Gratuito significa que você recebe a foto restaurada em tamanho total — o mesmo arquivo que uma ferramenta paga venderia para você.
"Restaure sua foto com um único clique" parece mágica, e a maioria dos sites prefere deixar por aí. Nós preferimos que você entenda o que realmente está acontecendo: saber como funciona também informa exatamente o que ele não pode fazer.
Os modelos de restauração por IA são treinados com milhões de fotos para aprenderem como detalhes nítidos, cores naturais e rostos reais se parecem, e então reconstroem uma versão plausível da sua foto danificada a partir desse conhecimento. É uma síntese convincente, não dados originais recuperados: ideal para fotos desbotadas, borradas ou de baixa resolução, mas com limitações em casos de perda física de partes da imagem.
Cada modelo de restauração é uma rede neural treinada da mesma forma básica: pegue milhões de fotografias nítidas, crie cópias degradadas artificialmente (borre, reduza, adicione granulação, comprima, desbote) e treine a rede para transformar cada cópia degradada em sua versão original nítida. Repita em uma escala enorme, e a rede aprende duas coisas: como a degradação afeta as fotos reais e como as versões nítidas de texturas do mundo real (pele, cabelo, tecido, tijolo, folhagem) realmente se parecem.
Quando você envia a imagem digitalizada desbotada, o programa aplica o conhecimento que adquiriu: “essa mancha, nesse contexto, é como uma área nítida costumava parecer após cinquenta anos de desgaste: aqui está essa área, reconstruída”. Ele não recupera os pixels perdidos da sua foto de lugar nenhum; ele sintetiza novos pixels que são estatisticamente consistentes com o que resta. Essa distinção é importante e voltaremos a ela.
O modo de ampliar e aplicar nitidez usa um modelo de super-resolução, uma arquitetura aberta amplamente utilizada e bem estudada. Dado uma imagem, ele gera uma versão com 4 vezes mais pixels em cada direção, preenchendo os novos pixels com texturas aprendidas, em vez da interpolação suave que um editor de fotos normal usa.
A diferença é fácil de perceber. O aumento clássico (interpolação bicúbica) calcula a média dos pixels vizinhos, então um aumento de 4 vezes resulta apenas no mesmo desfoque, só que maior. Um modelo de super-resolução, em vez disso, pergunta, para cada região: “qual estrutura nítida poderia ter produzido esses pixels borrados?” e desenha isso. As bordas ficam realmente mais definidas, o ruído do filme e os blocos JPG são eliminados no processo, e as texturas retornam com detalhes convincentes. Em particular, foi treinado com imagens agressivamente degradadas (desfoque + ruído + compressão combinados), por isso ele lida tão bem com digitalizações antigas, cujo dano é sempre uma combinação confusa, em vez de um único defeito.
Duas observações práticas sobre como o executamos: fotos grandes são processadas em blocos sobrepostos para que a GPU possa lidar com elas, e a entrada é limitada a um tamanho razoável: enviar uma digitalização de 60 megapixels através de um modelo de 4 vezes produziria arquivos absurdos. Quanto melhor for sua imagem original, melhor será o resultado, por isso uma boa digitalização é importante: veja nosso guia de digitalização.
O modo de colorizar faz algo sutilmente diferente. Uma foto em preto e branco já contém o brilho Em cada pixel: o que falta é a informação de cor. O modelo mantém o canal de brilho intacto e prevê apenas os dois canais de cor, usando o contexto: ele aprendeu com milhões de fotos coloridas que céus são azuis, folhagens são verdes, tons de pele se enquadram em uma determinada faixa e madeira é marrom. Como o brilho original é preservado, o resultado mantém cada detalhe da estrutura real da foto: o modelo apenas "pinta dentro das linhas" fornecidas.
A colorização é uma previsão plausível, não um registro históricoO modelo não pode saber que o vestido de sua avó era realmente vermelho: ele escolherá uma cor que seja estatisticamente provável para um vestido daquele tom naquela época da foto. Objetos sem convenções de cores fortes (carros, roupas, paredes pintadas) são exatamente onde ele faz as previsões mais incertas. Considere uma foto colorizada como uma interpretação que torna o passado mais próximo, e não como evidência das cores reais dos objetos.
Rostos têm seu próprio modo (restaurar rostos) por um bom motivo: os humanos são hipersensíveis a rostos. Um algoritmo de ampliação genérico que faz um ótimo trabalho em uma parede de tijolos pode deixar um rosto sutilmente "estranho", de uma forma que todos notam instantaneamente. Os modelos de restauração facial (o nosso é da família CodeFormer) são treinados exclusivamente em rostos, portanto, possuem um conhecimento prévio muito mais forte sobre a estrutura facial: como olhos, dentes e textura da pele se parecem em todas as idades e ângulos. O processo detecta cada rosto na foto, restaura-o com o modelo especializado e o integra novamente à imagem circundante.
Esses modelos têm um controle de "fidelidade": ajuste-o para um lado e a saída permanecerá o mais fiel possível à entrada degradada (mas restaurará menos); ajuste-o para o outro lado e os rostos ficarão lindamente nítidos (mas o modelo inventará mais). Usamos uma configuração deliberadamente fiel, porque, para fotos de família, a semelhança supera a beleza.
Em um rosto levemente borrado, a reconstrução é guiada por muitos pixels sobreviventes e permanece muito precisa. Em um rosto fortemente degradado (uma pequena mancha de rosto em uma foto de grupo), o modelo tem que inventar a maior parte dos detalhes, e o resultado pode se desviar do que a pessoa realmente parecia. Ele parecerá um rosto real; se será exatamente como era A identificação facial não é garantida. Se a identidade for importante, compare com outras fotos da mesma pessoa.
Tudo isso funciona em nosso próprio hardware de GPU, e é por isso que a ferramenta é gratuita, sem necessidade de conta ou marca d'água, e sua foto pode ser excluída da máquina logo após o processamento. Envie uma foto, arraste o controle deslizante "antes/depois" e avalie o resultado com as expectativas que esta página estabeleceu. Essa é a proposta que preferimos: resultados impressionantes, apresentados de forma honesta.