CPU就行, 老照片变清晰, 本地部署582mb腾讯的模型, 本地部署, 过节了给长辈们变个小魔术

老照片糊成一团，一键变清晰。

这次项目用 Python 写。

但机器没要求。

随便一台电脑就行，集成显卡都够用。

不用买显卡，不用配 CUDA。

照片也不出电脑，全本地推理。

5 行核心代码：

bash 复制代码

from gfpgan import GFPGANer                    # 导入修脸器
import cv2                                     # 读图、写图

restorer = GFPGANer(
    model_path="weights/GFPGANv1.4.pth",       # 主模型权重
    upscale=2,                                 # 最终放大 2 倍
    arch="clean",                              # clean 版结构
    channel_multiplier=2,                      # 通道倍数，跟权重对应
)
_, _, out = restorer.enhance(
    cv2.imread("old.jpg"),                     # 读入老照片
    paste_back=True,                           # 修完的脸贴回原图
    weight=0.5,                                # 保真度，越小修得越狠
)
cv2.imwrite("new.jpg", out)                    # 结果存盘

就这些。

剩下都是工程活。

流程图

bash 复制代码

    上传老照片
        │
        ▼
    Real-ESRGAN 4x 超分（背景）
        │
        ▼
    facexlib 人脸检测对齐
        │
        ▼
    GFPGAN v1.4 修脸
        │
        ▼
    按遮罩贴回原图
        │
        ▼
    CPU 单张 8 秒，有显卡更快

1 痛点

爷爷奶奶那辈的照片，扫描出来脸糊成一团。

调云端 API，一张图几分钱。

全家几十张，账单吓人。

更麻烦的是，图得传外网。

家庭照片、客户资料，能往外发吗？

这套组合，全本地推理。

2 两个模型怎么分工

| 模型 | 星数 | 干啥 | | :-- | :-- | :-- | | GFPGAN | 37.6k | 修脸，专治糊脸 | | Real-ESRGAN | 36.8k | 超分，整图放大补像素 |

都是腾讯 ARC 实验室出品，同一套生态。

GFPGAN 靠 GAN + 人脸先验。

它见过几百万张脸，知道正常人脸该长啥样。

糊掉的五官，它敢按先验补回来。

Real-ESRGAN 管背景，整图放大 4 倍，像素一点点补。

两个一起用，脸和背景都清楚。

demo 就是个网页：拖图进去，滑条对比，参数可调，日志实时。

3 有显卡自动加速

设备选择就几行：

bash 复制代码

def pick_device():                                        # 挑一个运行设备
    forced = os.getenv("DEVICE", "").strip().lower()      # 读 DEVICE 环境变量
    if forced in ("cuda", "cpu"):                         # 手动指定过就听它的
        return forced
    return "cuda" if torch.cuda.is_available() else "cpu" # 有显卡上显卡

装 CPU 版 torch 它就走 CPU。

换 CUDA 版，代码一行不改。

显存小也不怕，超分器按分块跑：

bash 复制代码

tile = 512 if device == "cuda" else 192   # 显卡切大块，CPU 切小块省内存

实测（CPU，413×617 含人脸, CPU: AMD5500）：

所以 CPU 4秒出图。

因为我还有个老古董1660S显卡, 开了CUDA试了下, 确实快了很多, 但是就1张照片的话无所谓了, 就快2s。

4 装环境不用踩坑

三个坑，脚本全填平了。

一是 basicsr 源码安装时要 import torch。

先装 torch，再装模型库，顺序对了就能过。

二是 gfpgan 硬依赖 tb-nightly，国内源没有，用 --no-deps 绕过。

那包只有训练才用，推理一行不碰。

三是新版 torchvision 删了 functional_tensor，造个替身塞进去：

bash 复制代码

def patch_torchvision():
    import sys, types                                  # 改模块表 + 造新模块
    import torchvision.transforms.functional as F     # 新版功能都在这里
    shim = types.ModuleType(                           # 造一个空壳当替身
        "torchvision.transforms.functional_tensor")
    shim.__dict__.update(                              # 把函数全搬进替身
        {k: v for k, v in F.__dict__.items() if not k.startswith("__")})
    sys.modules[                                       # 注册进模块表
        "torchvision.transforms.functional_tensor"] = shim

import gfpgan 之前跑一次就行。

依赖全用 uv，比 pip 快一个数量级，源走清华：

bash 复制代码

uv venv                                                      # 建虚拟环境
uv pip install -r requirements.txt                           # 先装 torch 等基础依赖
uv pip install --no-deps basicsr facexlib realesrgan gfpgan  # 后装模型库，绕开 tb-nightly

5 权重下载不断线

四个文件，约 580MB。

GitHub 直连常被限速到几十 KB/s。

大文件走多线程分块下载：

bash 复制代码

headers = {**UA, "Range": f"bytes={start}-{end}"}   # 每个线程只下自己那段

镜像挂了自动回直连，重试 20 次。

还有个暗坑：官方 parsing_parsenet 的 v0.1.0 链接是 404，真地址在 v0.2.2。

脚本还会把检测、解析这两个权重复制进 facexlib 包目录。

不复制的话，运行时它自己去 GitHub 下，基本必卡。

6 接口简单，模型带缓存

FastAPI 接收图片、调修脸器、返回 base64：

bash 复制代码

@app.post("/api/restore")                          # 前端把图传上来
async def api_restore(file: UploadFile = File(...),
                      upscale: int = Form(2), weight: float = Form(0.5)):
    img = cv2.imdecode(                            # 字节流转图片矩阵
        np.frombuffer(await file.read(), np.uint8), cv2.IMREAD_COLOR)
    _, _, out = get_restorer(upscale, bg).enhance( # 取缓存的修脸器
        img, paste_back=True, weight=weight)
    ok, buf = cv2.imencode(".png", out)            # 编成 PNG
    return {"image": "data:image/png;base64="      # 拼 data URI 给前端
            + base64.b64encode(buf.tobytes()).decode()}

get_restorer 按 (device, upscale, bg) 缓存。

参数不变就复用，不重复加载模型。

没检测到人脸也不返回空，自动退化成整图超分。

前端日志直接打：

bash 复制代码

完成 · 8123ms · 检测到 1 张脸 · cpu

端口被占了自动找下一个空位。

分辨率高的执行时间也长, 但是效果真的好

7 跑起来

bash 复制代码

cd demo/24
powershell -ExecutionPolicy Bypass -File setup.ps1 -Run   # 装完直接起服务

bash 复制代码

老照片修复服务 · http://localhost:3024
  设备: cpu · 权重: D:\www\ai-coder\demo\24\weights

强制设备也简单：

bash 复制代码

$env:DEVICE="cpu";  .\.venv\Scripts\python.exe server.py   # 锁死 CPU
$env:DEVICE="cuda"; .\.venv\Scripts\python.exe server.py   # 有显卡走显卡

总结

• GFPGAN：37.6k 星，GAN + 人脸先验，专治糊脸
• Real-ESRGAN：36.8k 星，整图超分，管背景
• 本地推理：照片不离开电脑，CPU 只修脸 4 秒
• 一键脚本：三个装环境坑全填平，权重断了接着下

一张老照片，八秒钟的事。

不用买显卡，不用配 CUDA。

老照片发朋友圈，家人都会说，你小子有本事。