Restaura fotos antiguas de familia con IA
El problema específico de los rostros en fotos antiguas
Las fotos antiguas tienen daños de distintos tipos: rayones, amarillamiento, baja resolución, borrosidad, compresión agresiva. Los algoritmos genéricos de upscale logran limpiar muchas cosas — pero fallan en los rostros. ¿Por qué? Porque los rostros son la región donde nuestro cerebro es más sensible a las imperfecciones. Una mancha borrosa en una pared ni la notas. Una mancha borrosa en una mejilla arruina la foto entera.
El GFPGAN (Generative Facial Prior GAN) fue creado específicamente para esto. Combina dos redes: un encoder que extrae la estructura facial de la imagen dañada (incluso si está muy degradada) y un generador StyleGAN entrenado en millones de rostros reales, que reconstruye los detalles.
Cómo funciona el prior facial
"Prior facial" es la información estadística que el modelo tiene sobre cómo los rostros humanos "deberían" verse. StyleGAN fue entrenado en el dataset FFHQ (70.000 rostros en alta resolución), aprendiendo la relación entre:
- Forma de la cabeza → posición de los ojos
- Edad aproximada → textura de la piel
- Iluminación → sombras en regiones específicas
- Color del cabello → color típico de las pestañas
Cuando le pasas una foto degradada, el GFPGAN primero hace una estimación general ("este es el rostro de una señora mayor, probablemente de piel clara, ojos marrones, cabello canoso"), y luego usa el StyleGAN para rellenar los detalles coherentes con esa estimación.
El dilema ético: fidelidad vs. credibilidad
Aquí está el punto más sensible de la restauración con IA: la foto restaurada no es exactamente la persona que estaba ahí. El modelo alucina detalles que parecen plausibles para un rostro genérico compatible con el daño observado — pero puede equivocarse en la forma precisa de la nariz, el color exacto de los ojos o los dientes.
Para uso familiar esto suele estar bien — la apariencia general es correcta, y nadie va a comparar forensemente con un original que ya estaba destruido. Pero en contextos donde la fidelidad es crítica (identificación legal, periodismo histórico), debes mostrar la foto restaurada junto al original, no reemplazarlo.
Buenas prácticas para obtener el mejor resultado
- Digitaliza en alta resolución: escanea a un mínimo de 600 DPI, aunque la foto original sea pequeña. Más píxeles para que trabaje el modelo = mejor resultado.
- Recorta la foto por cada rostro: si la foto tiene 5 personas, procesa 5 recortes individuales. El modelo presta atención centralizada; los rostros en las esquinas salen peor.
- Evita la compresión en el input: el JPEG comprimido pierde exactamente las altas frecuencias que el GFPGAN necesita para inferir detalles.
- Combínalo con colorización por separado: el GFPGAN preserva el color de la foto. Si quieres colorizar una foto en blanco y negro, pásala por un modelo de colorización antes.
- Conserva el original: guarda siempre la foto sin procesar. La restauración es una interpretación, no una recuperación definitiva.
Límites donde el GFPGAN falla
- Fotos de niños: el modelo fue entrenado principalmente con adultos; los rostros infantiles a veces salen "más mayores"
- Oclusión fuerte (mascarilla, gafas de sol, mano tapando la cara): puede intentar reconstruir el rostro completo, inventando lo que no vio
- Expresiones extremas (boca abierta cantando, carcajada): el prior facial asume expresiones neutras; puede suavizarlas demasiado
- Accesorios culturales específicos (turbantes, maquillaje teatral): el modelo puede eliminarlos o simplificarlos
Pruébalo ahora mismo
Envía una foto antigua escaneada en el chat de Brainiall y pide "restaura los rostros de esta foto manteniendo el color y el contexto". El pipeline combina detección facial + GFPGAN + reintegración de forma automática. El Plan Pro por $29 procesa hasta 100 restauraciones al mes.