Pulihkan foto keluarga lama dengan AI
Masalah khusus wajah dalam foto lama
Foto lama memiliki berbagai jenis kerusakan: goresan, menguning, resolusi rendah, buram, dan kompresi berlebihan. Algoritma upscale generik bisa membersihkan banyak hal — tetapi gagal pada wajah. Mengapa? Karena wajah adalah area di mana otak kita paling sensitif terhadap ketidaksempurnaan. Noda buram di dinding mungkin tidak kamu sadari. Noda buram di pipi bisa merusak seluruh foto.
GFPGAN (Generative Facial Prior GAN) diciptakan khusus untuk ini. Ia menggabungkan dua jaringan: sebuah encoder yang mengekstrak struktur wajah dari gambar yang rusak (meskipun sangat terdegradasi) dan sebuah generator StyleGAN yang dilatih pada jutaan wajah nyata, yang merekonstruksi detail-detailnya.
Bagaimana prior wajah bekerja
"Prior wajah" adalah informasi statistik yang dimiliki model tentang bagaimana wajah manusia "seharusnya" terlihat. StyleGAN dilatih pada dataset FFHQ (70.000 wajah beresolusi tinggi), mempelajari hubungan antara:
- Bentuk kepala → posisi mata
- Perkiraan usia → tekstur kulit
- Pencahayaan → bayangan di area tertentu
- Warna rambut → warna khas bulu mata
Saat kamu memasukkan foto yang terdegradasi, GFPGAN pertama-tama membuat estimasi kasar ("ini adalah wajah wanita tua, kemungkinan berkulit terang, mata cokelat, rambut beruban"), lalu menggunakan StyleGAN untuk mengisi detail yang konsisten dengan estimasi tersebut.
Dilema etis: kesetiaan vs kredibilitas
Di sinilah letak poin paling sensitif dari restorasi berbasis AI: foto yang dipulihkan bukanlah persis orang yang ada di sana. Model menghalu sinasikan detail yang tampak masuk akal untuk wajah generik yang sesuai dengan kerusakan yang terlihat — tetapi bisa saja salah dalam bentuk hidung yang tepat, warna mata yang akurat, atau gigi.
Untuk penggunaan keluarga, ini umumnya tidak masalah — tampilan keseluruhan sudah benar, dan tidak ada yang akan membandingkannya secara forensik dengan aslinya yang sudah rusak. Namun dalam konteks di mana kesetiaan sangat kritis (identifikasi hukum, jurnalisme sejarah), kamu harus menampilkan foto yang dipulihkan berdampingan dengan aslinya, bukan menggantikan aslinya.
Praktik terbaik untuk hasil optimal
- Pindai dalam resolusi tinggi: pindai minimal 600 DPI, meskipun foto aslinya kecil. Lebih banyak piksel untuk diproses model = hasil lebih baik.
- Crop foto untuk setiap wajah: jika foto memiliki 5 orang, proses 5 crop individual. Model memberikan perhatian terpusat; wajah di sudut hasilnya lebih buruk.
- Hindari kompresi pada input: JPEG yang terkompresi kehilangan tepat frekuensi tinggi yang dibutuhkan GFPGAN untuk menyimpulkan detail.
- Kombinasikan dengan pewarnaan terpisah: GFPGAN mempertahankan warna foto. Jika ingin mewarnai foto hitam-putih, proses melalui model pewarnaan terlebih dahulu.
- Simpan aslinya: selalu simpan foto mentah. Restorasi adalah sebuah interpretasi, bukan pemulihan definitif.
Batasan di mana GFPGAN gagal
- Foto anak-anak: model dilatih terutama pada orang dewasa; wajah anak-anak terkadang terlihat "lebih tua"
- Oklusi kuat (masker, kacamata hitam, tangan menutupi wajah): bisa mencoba merekonstruksi seluruh wajah, mengarang bagian yang tidak terlihat
- Ekspresi ekstrem (mulut terbuka saat bernyanyi, terbahak-bahak): prior wajah mengasumsikan ekspresi netral; bisa terlalu menghaluskan
- Aksesori budaya tertentu (turban, riasan teatrikal): model mungkin menghapus atau menyederhanakannya
Coba sekarang juga
Kirim foto lama yang sudah dipindai di chat Brainiall dan minta "pulihkan wajah di foto ini dengan mempertahankan warna dan konteksnya". Pipeline secara otomatis menggabungkan deteksi wajah + GFPGAN + reintegrasi. Paket Pro Rp29 memproses hingga 100 restorasi/bulan.