Restaure fotos antigas de família com IA
O problema específico dos rostos em fotos velhas
Fotos antigas têm danos de vários tipos: riscos, amarelamento, baixa resolução, borrões, compressão agressiva. Algoritmos genéricos de upscale conseguem limpar muita coisa — mas falham nos rostos. Por quê? Porque rostos são a região onde nosso cérebro é mais sensível a imperfeições. Uma mancha borrada em uma parede você nem percebe. Uma mancha borrada em uma bochecha arruína a foto inteira.
O GFPGAN (Generative Facial Prior GAN) foi criado especificamente para isso. Ele combina duas redes: um encoder que extrai a estrutura facial da imagem danificada (mesmo que muito degradada) e um gerador StyleGAN treinado em milhões de rostos reais, que reconstrói os detalhes.
Como o prior facial funciona
"Prior facial" é a informação estatística que o modelo tem sobre como rostos humanos "deveriam" parecer. StyleGAN foi treinado no dataset FFHQ (70.000 rostos de alta resolução), aprendendo a relação entre:
- Formato da cabeça → posição dos olhos
- Idade aproximada → textura da pele
- Iluminação → sombras em regiões específicas
- Cor do cabelo → cor típica dos cílios
Quando você passa uma foto degradada, o GFPGAN primeiro faz uma estimativa grosseira ("este é um rosto de senhora idosa, provavelmente branca, olhos castanhos, cabelo grisalho"), depois usa o StyleGAN para preencher os detalhes consistentes com essa estimativa.
O problema ético: fidelidade vs credibilidade
Aqui mora o ponto mais sensível da restauração por IA: a foto restaurada não é exatamente a pessoa que estava lá. O modelo alucina detalhes que parecem plausíveis para um rosto genérico compatível com o dano observado — mas pode errar no formato preciso do nariz, na cor exata dos olhos, nos dentes.
Para uso familiar isso é geralmente OK — a aparência geral está correta, e ninguém vai comparar forensicamente com um original que já estava destruído. Mas em contextos onde fidelidade é crítica (identificação legal, jornalismo histórico), você deve mostrar a foto restaurada ao lado do original, não substituir o original.
🎧 Ouça a narração completa (vídeo demo em produção)
Melhores práticas para melhor resultado
- Digitalize em alta resolução: escaneie em 600 DPI mínimo, mesmo que a foto original seja pequena. Mais pixels para o modelo trabalhar = resultado melhor.
- Corte a foto para cada rosto: se a foto tem 5 pessoas, processe 5 crops individuais. O modelo dá atenção centralizada; rostos em cantos saem piores.
- Evite compressão no input: JPEG comprimido perde exatamente as altas frequências que o GFPGAN precisa para inferir detalhes.
- Combine com colorização separada: GFPGAN preserva cor da foto. Se quer dar cor a uma P&B, passe por um modelo de colorização antes.
- Preserve o original: sempre guarde a foto crua. Restauração é uma interpretação, não uma recuperação definitiva.
Limites onde GFPGAN falha
- Fotos de crianças: o modelo foi treinado principalmente em adultos; rostos infantis saem "mais velhos" às vezes
- Oclusão forte (máscara, óculos escuros, mão no rosto): pode tentar reconstruir o rosto inteiro, inventando o que não viu
- Expressões extremas (boca aberta cantando, gargalhada): o prior facial assume expressões neutras; pode suavizar demais
- Acessórios culturais específicos (turbantes, maquiagem teatral): o modelo pode remover ou simplificar
Teste agora mesmo
Envie uma foto antiga escaneada no chat Brainiall e peça "restaure os rostos desta foto mantendo a cor e o contexto". O pipeline combina detecção facial + GFPGAN + reintegração automaticamente. Plano Pro R$29 processa até 100 restaurações/mês.