四个模型蒙住名字比效果，最后选的是一条两级管线

怎么比

候选四个：GFPGAN、CodeFormer、Real-ESRGAN、Clarity-Upscaler。它们的定位并不相同，有的专攻人脸，有的是通用超分，有的偏向「增强」。把定位不同的模型放在一起比，是有意的：我想知道的不是「谁在自己的赛道上更好」，而是「老照片这个具体任务上，用户会更愿意要哪一张」。

基线用 Remini。它是市面上用户量很大的同类产品，用它当参照，可以回答一个更要紧的问题：如果我的结果不如它，这个产品还值不值得做。

样本按老照片会遇到的三种情况分类：真正年代久远、有划痕和褪色的老照片；对焦不实或分辨率不足的模糊人像；用手机翻拍纸质照片带来的反光、摩尔纹与形变。三类共 15 张，都是真实照片，不用模型常见的公开测试图。

每张样本过每个候选一遍，加上基线，共 60 次对照。每次记录耗时。评价环节把输出打乱、去掉一切能看出来源的标记，匿名打分，打完再揭晓。这一步是整个实验里最不能省的：一旦知道哪张来自哪个模型，评价就会向名气倾斜，实验也就白做了。

比出来什么

• 三类样本上没有一个候选全面领先。人脸细节和整张照片的质感是两个不同的问题，擅长其一的模型往往在另一项上失分。
• 「修得漂亮」和「修得像」会冲突。第一眼好看的输出，未必经得起和原图逐处对照。所以评分时单列了一项：有没有补出原图里没有的东西。对老照片来说，这是最不能接受的错误：用户要找回的是一个具体的人，不是一张好看的脸。
• 划痕、灰尘与人脸模糊是两种损伤。一步到位的方案要么把划痕当纹理保留下来，要么为了盖住划痕把细节也抹平。
• 每次对照都记了耗时。耗时不是这次选型的决定因素，但它是后面定价判断的输入：如果候选之间相差一个量级，定价的结论会完全不同。

判断

既然没有单一模型能同时把两种损伤处理好，就不该逼自己在四个里选一个。最后定下来的是两级管线：先用 Topaz 处理去尘与划痕，再用 GFPGAN 做人脸修复。前一步解决介质损伤，后一步解决影像本身的模糊，各做各擅长的事。

第二个判断是关于产品形态的：两级管线对用户仍然是一个「修复」操作，一个积分。我不想让用户在「基础修复」和「高级修复」之间做选择，因为他们没有办法在修之前判断自己的照片需要哪一种。两步的成本差，由毛利吸收，而不是转嫁成一个让用户困惑的选项。

第三个判断是把过程说出去。App Store 的产品描述里写明了修复模型经过盲测选型。这不是营销话术，是对用户的一个承诺：我选它，是因为它在我的样本上表现更好，而不是因为它名气更大。

由此定下的口径

• 选模型必须盲评。评价者不能知道输出来自哪个候选，否则得到的是对品牌的判断，不是对效果的判断。
• 必须有一个市面上的头部产品做基线。不如基线，就不上线。
• 样本用真实照片，按用户会遇到的情况分类，不用模型常见的公开测试图。
• 「只还原照片里原有的东西，不编造细节」是评价标准，权重高于「看起来更好」。
• 管线内部可以复杂，对外只能是一个按钮。用户不该为技术选型的结果买单式地做选择。
• 选型结论写进产品描述，让承诺可以被追问。