这篇解决什么问题
场景：手上有一张糊了的图——监控截图、翻拍的老照片、在聊天软件里传过好几手的压缩图、视频里截出来的一帧，你要决定它还有没有救、值不值得花两小时。
这篇给的是判断工具，不是修复教程。交付物三样：一张按“糊的类型”分类的症状对照表、一套三类典型情况的套用方式、一份动手前的自检清单。
这篇不解决什么：不做工具横评，不承诺任何一张具体的图能救回来，不讲视频逐帧修复。涉及证件、合同、票据这类可能作为凭证的图，本篇只给结论——不要用 AI 去改，原因写在后面。
症状对照表
先判断“糊”是哪一种，再决定投入。不同类型的糊根因完全不同，用同一种办法处理，多数时候是把图彻底做坏。
| 症状 | 为什么会这样 | 怎么改 |
|---|---|---|
| 整体偏暗，一亮起来就满是彩点 | 欠曝导致信噪比低，暗部几乎没有有效信息，提亮等于把噪声一起放大 | 先控噪再提亮，顺序反了先放大的是噪点；暗部损失过大的区域接受它救不回来 |
| 轻微发虚，边缘像长了毛 | 对焦不准或轻微手抖，高频细节部分丢失，但结构还在 | 小倍率放大配轻度锐化；倍率越大越假，宁可尺寸小一点 |
| 画面里有方块状斑块，边缘发白 | 压缩伪影，多次重存或经聊天软件传输后产生 | 先去压缩块再放大；更有效的办法是回头找原图——收到文件先选看原图、要原始文件，别修转发件 |
| 人或车被拉成一道影子 | 运动模糊，采集那一刻信息就丢了，后续任何处理都补不回来 | 只能有限改善轮廓；方向性拖影严重的，直接判定不做，别投入时间 |
| 人脸只剩一团，五官分不清 | 人脸有效像素不足；人脸专用模型会按“人脸应该长什么样”去补 | 用人脸修复模型并把保真权重调保守；结果是推测，不能当身份依据 |
| 文字笔画糊，但还能看出字形 | 文字全是高频结构，模型很容易把笔画写成另一个字 | 放大后逐字核对；涉及证件号、金额、日期的，一律不补，改走人工核实 |
| 放大后冒出原本没有的睫毛、纽扣、皱纹 | 生成式补全在“编一个合理的内容”，不是在还原 | 降低倍率与补全强度；这类区域改用手动修补或干脆留着 |
| 图干净了，但看着像塑料、像蜡像 | 去噪和锐化都拉过头，真实纹理被抹平 | 留一点颗粒，锐化只做在观看用的副本上，母版不动 |
| 像素尺寸够了，印出来还是虚 | 像素数量不等于有效分辨率，AI 给的是插值出来的像素 | 先确认用途真正需要的有效分辨率，再决定要不要做；达不到就换素材 |
通用超分和人脸修复是两件不同的事，前者负责整幅图的分辨率，后者只针对人脸，选哪一类取决于问题出在哪。记住边界：放大是把已有像素摊开再补格子，不能凭空造出照片里没有的真实细节，它让图变“更大、更顺眼”，不等于变“更真实”。要当事实依据的场景，这条边界都不能跨。
三类典型情况怎么套
同一张糊图，放在不同用途下，结论完全相反。先定用途，再决定做不做、做到哪一步停。
| 情况 | 判断动作 | 建议做法 | 停手线 |
|---|---|---|---|
| 家庭老照片、纪念用途 | 问清楚家里人要的是“看得清”还是“像本人” | 按修复流程保守做，人脸低强度，保留年龄感和皱纹；每一步存中间版本 | 家人说“不像了”就退回上一版，不争论 |
| 工作素材、示意用图 | 确认最终展示尺寸：缩略图、PPT 页还是印刷 | 只做到“在目标尺寸下看不出糊”就停，不为多余清晰度多花一倍时间 | 达到目标尺寸验收即停，不做超量放大 |
| 证件、合同、票据、截图凭证 | 先问：这张图会不会被用来证明什么 | 只做亮度、裁切、压缩这类不改变内容的处理；内容一律不动 | 凡是要改数字、姓名、金额、日期、印章的，一个字都不改 |
三类情况之外还有一条通用顺序，动手前先跑完，能省掉一半无用功。
判断顺序（先做，不跳）：
1 取原始文件：原图下载 / 出具方重发 / 同一视频其他帧
2 看 100% 视图：关键区域放大到实际像素，确认是哪种糊
3 定目标尺寸：按最终用途倒推需要的有效分辨率
三步走完仍判断不了，按“信息本就缺失”处理，不做。验收：能说出这张图属于哪一种糊、最终要用在多大尺寸上；说不出就先去补信息，不要开始放大。
第三类要单独说清楚。证件、合同、票据、聊天记录截图这类图，一旦被 AI“补全”了原本糊掉的字，出来的内容就是模型推测，不是原件内容；把它交出去，等于用推测内容充当原件内容，对方无从判断哪一笔是真的。方向反过来那种用法——把金额、日期改清楚——性质就不是修复了。是否构成伪造、变造取决于适用法律和具体事实，本篇不做法律判断，操作上只有一条建议：这类图不进 AI 修复流程，需要清晰件就重新扫描原件或找出具方补开。
自检清单
动手前走一遍，任何一条过不了就先别放大。
□ 已确认用途与用途需要的有效分辨率
□ 已判断糊的类型，并试过找原图：原始文件、原图下载、出具方重发
□ 已确认不属于证件、合同、票据、凭证类
□ 母版已复制一份，中间格式统一无损，只在最后一步导出
□ 放大倍率取能满足用途的最小值，不为“更大”而放大
□ 人脸部分使用保守强度，保留五官形状与年龄特征
□ 关键区域在 100% 视图下逐处看过，没有多出来的东西
□ 文字类内容逐字核对过，涉及号码与金额的一律未改
□ 成品与母版并排比对，没有“比原件还干净”的塑料感翻车与补救
放大后人脸变了个人
原因是人脸修复模型的补全强度太高。补救是回到放大前的版本，把保真权重调高（越接近 1 越贴近原图像素，越低越倾向自行补全，参数名与取值范围以所用项目当前说明为准）重做一遍。留中间版本就是为了这一刻能退回去。
越修越糊，怎么都比不上第一版
原因多半是中间反复存了有损格式。补救是回到最早那份数字化文件重做，中间一律用无损格式，只在交付时导出一次。
关键那一块死活救不回来
车牌、门牌、屏幕上的字，这类信息一旦在采集时就丢了，再怎么放大都是模型在编。补救是接受结果并换信息源：同一场景的其他照片、原始视频其他帧、找当事人核实。别拿 AI 补全的内容当事实。
对方要求提供未修改原件，但手上只有修过的
补救是从一开始就把母版单独存档并命名清楚，交付时母版与修复稿一起给，附一句说明写明处理过的区域。等到被要求时才找母版，通常已经找不回来了。
下一步
把手上最近三张糊图按症状对照表各判一次类型，记下判断依据和最终结果。攒够十张你就有了自己的经验表：哪一类在你的素材上真能救回来，哪一类一开始就不该投入。工具能力与参数以各项目官方说明为准，本篇不引用未核实的实测数据。
整理日期：2026-10-04。文内开源项目（通用超分方向 Real-ESRGAN、人脸修复方向 GFPGAN 与 CodeFormer）名称与用途来自项目公开仓库说明，参数与效果未本人实测，以各项目当前说明为准；CodeFormer 保真权重的取值方向参考第三方整理文章（2026-07-29 前后），非本人验证。证件、合同、票据部分为操作建议，不构成法律意见。本篇未使用任何未经核实的实测数据。