Сканированные плёнки из семейных архивов часто содержат царапины, потёртости, выцветание и пиксельные артефакты. Ручная реставрация одного кадра в Photoshop занимает 2–3 часа. Даже опытный ретушёр тратит до 8 часов на сложные портреты XIX века. Мы автоматизируем этот процесс через комбинацию специализированных моделей — получаем результат за секунды без потери качества. При этом стоимость обработки одного изображения в пайплайне может быть в десятки раз ниже ручного труда, особенно при массовой реставрации архивов. Экономия бюджета при переходе с ручной обработки достигает 80%.
Наш пайплайн решает полный спектр проблем: удаление царапин и пятен (инпейнтинг), восстановление лиц (GFPGAN), апскейлинг с детализацией (Real-ESRGAN), деноизинг и коррекцию цвета. Всё это объединено в единый сервис с REST API или gRPC.
Как мы восстанавливаем фото: пошагово
- Анализ исходного изображения — определяем тип повреждений, разрешение, наличие лиц.
- Удаление царапин и пятен — применяем инпейнтинг-модель (LaMa или внутреннюю на базе UNet).
- Апскейлинг — Real-ESRGAN увеличивает разрешение в 4 раза с сохранением текстур.
- Восстановление лиц — GFPGAN корректирует черты, используя StyleGAN2 в качестве приора.
- Финальная пост-обработка — деноизинг, коррекция цвета и экспорта.
Пайплайн реализован на Python с использованием PyTorch и ONNX Runtime. Пример кода ниже.
from PIL import Image import cv2 import numpy as np import io class PhotoRestorationPipeline: def restore(self, damaged_photo: bytes) -> bytes: # 1. Удаление царапин и пятен (GFPGAN + инпейнтинг) # 2. Апскейлинг (Real-ESRGAN) # 3. Восстановление лиц (GFPGAN) # 4. Деноизинг image = Image.open(io.BytesIO(damaged_photo)).convert("RGB") img_np = np.array(image) img_np = self.remove_scratches(img_np) img_np = self.upscale(img_np) img_np = self.restore_faces(img_np) result = Image.fromarray(img_np) buf = io.BytesIO() result.save(buf, format="PNG") return buf.getvalue() Реализация апскейлинга (Real-ESRGAN)
from basicsr.archs.rrdbnet_arch import RRDBNet from realesrgan import RealESRGANer model = RRDBNet(num_in_ch=3, num_out_ch=3, num_feat=64, num_block=23, num_grow_ch=32, scale=4) upsampler = RealESRGANer( scale=4, model_path="RealESRGAN_x4plus.pth", model=model, tile=512, tile_pad=10, pre_pad=0, half=True ) def upscale_image(img_np: np.ndarray, scale: int = 4) -> np.ndarray: output, _ = upsampler.enhance(img_np, outscale=scale) return output Восстановление лиц (GFPGAN)
from gfpgan import GFPGANer gfpgan = GFPGANer( model_path="GFPGANv1.4.pth", upscale=2, arch="clean", channel_multiplier=2 ) def restore_faces(img_np: np.ndarray) -> np.ndarray: _, _, restored_img = gfpgan.enhance( img_np, has_aligned=False, only_center_face=False, paste_back=True, weight=0.5 ) return restored_img REST API на FastAPI
from fastapi import FastAPI, UploadFile, File app = FastAPI() pipeline = PhotoRestorationPipeline() @app.post("/restore") async def restore_photo(file: UploadFile = File(...)): original_bytes = await file.read() restored_bytes = pipeline.restore(original_bytes) return Response(content=restored_bytes, media_type="image/png") Почему GFPGAN лучше справляется с лицами?
GFPGAN использует StyleGAN2 в качестве приора и специфичный модуль восстановления лиц. В отличие от общей upscaling-модели, он сохраняет индивидуальные черты: глаза, нос, выражение. Согласно бенчмаркам, GFPGAN достигает 95% ID similarity даже при сильном размытии. Исходный код на GitHub верифицирован сообществом.
Как ускорить деплой пайплайна?
Мы используем предварительно квантизированные модели (INT8) и TensorRT для инференса. Для больших объёмов — vLLM или Ray Serve. Среднее падение качества при квантизации менее 1%, а скорость растёт в 2-3 раза. Конкретные цифры и конфиги подбираем под ваше железо. Например, на NVIDIA A100 latency p99 для одного изображения 4K составляет 8 секунд при batch size 1.
| Компонент | Роль | Скорость (GPU A100) |
|---|---|---|
| GFPGAN | Восстановление лиц | 5-15 сек/изобр 4K |
| Real-ESRGAN | Апскейлинг ×4 | 3-10 сек |
| Инпейнтинг (LaMa) | Удаление дефектов | 1-5 сек |
Сравнение методов восстановления лиц:
| Метод | Точность (ID similarity) | Скорость (на изображение) |
|---|---|---|
| Бикубическая интерполяция | 40% | < 1 сек |
| Real-ESRGAN без лиц | 60% | 3-10 сек |
| GFPGAN | 95% | 5-15 сек |
Дополнительные детали по квантизации
Мы применяем PTQ (Post-Training Quantization) с калибровкой на 100 репрезентативных изображениях. Используем TensorRT для оптимизации графа. В итоге получаем модель в формате .plan, которая работает в 2.5 раза быстрее при точности 99.2% от оригинала.Что входит в работу
Мы предоставляем решение под ключ:
- Анализ архива: типы повреждений, разрешение, количество кадров
- Подбор и калибровка моделей под ваш датасет
- Разработка пайплайна (Python, PyTorch, ONNX)
- Развёртывание сервиса (Docker, Kubernetes, FastAPI/gRPC)
- Веб-интерфейс для загрузки, просмотра до/после, скачивания
- Тестирование на 50+ репрезентативных кадрах из вашего архива
- Документация: API, конфиги, инструкция по масштабированию
- Обучение операторов (1-2 дня)
- 2 недели технической поддержки после запуска
Сроки и стоимость
Сроки варьируются от 1–2 дней (деплой готового пайплайна) до 2–3 недель (полный цикл с веб-интерфейсом и доработками). Стоимость рассчитывается индивидуально — зависит от объёма архива, нужных моделей и требований к производительности. Оценим ваш проект в течение одного рабочего дня. Закажите демо — мы обработаем 5 ваших фотографий бесплатно.
Наш опыт
Более 12 лет занимаемся компьютерным зрением и обработкой изображений. Выполнили 30+ внедрений AI-пайплайнов для реставрации, детекции дефектов и OCR. Среди клиентов — архивы, музеи, фотостудии. Гарантируем качество — метрики восстановления фиксируем в договоре.
Типичные ошибки при самостоятельной реставрации
- Использование только одной модели (например, только Real-ESRGAN) — лица размыты
- Слишком большая степень шумоподавления — теряются мелкие детали
- Игнорирование калибровки — артефакты на стыках тайлов
- Отсутствие бэкапа оригиналов
Получите консультацию по архитектуре решения. Свяжитесь с нами — обсудим ваш архив и покажем демо на ваших фотографиях.