边界声明：本篇只讲开源选型与本地部署
先把范围说清楚。这篇文章不评测任何在线 App，也不比较云服务的效果。我们只做一件事：把三款在 GitHub 上星数过万、可以免费下载权重、能在自己电脑上跑的开源老照片修复模型讲透，帮你判断该装哪一个、怎么装、装完能不能商用。在线小程序（腾讯、字节、支付宝那一类）只在文末用一句话当作"不想本地跑"的出口，不做展开。理由很直接：开源模型最大的优势是数据不出本机、参数可控、可以批量处理，而在线服务往往要上传原图、按张收费、且你看不到背后到底做了什么。如果你在意隐私，或者要修一整箱家族老照片，本地部署才是正解。
三款模型与仓库地址
下面三个仓库都用"链接加明文地址"两种形式给出，方便你直接复制。
CodeFormer
sczhou/CodeFormer 仓库链接，明文地址：https://github.com/sczhou/CodeFormer
截至实测，CodeFormer 在 GitHub 上约有 18,202 个 star。它的许可证在 GitHub API 字段里返回的是 NOASSERTION，也就是没有被标准许可证识别器归一化；项目 README 标注的许可证是 NTU S-Lab License 1.0，属于非商业性许可，预训练权重按作者声明仅限研究与非商用场景。它最核心的能力是"盲人脸修复"——不需要你标出人脸位置，模型靠 Codebook Lookup Transformer 自己把模糊、破损、低清的人脸补全得自然。它的强项就是人脸，尤其是那种严重退化、看不清五官的老照片，补出来既像人又不至于过度"换脸"。
GFPGAN
TencentARC/GFPGAN 仓库链接，明文地址：https://github.com/TencentARC/GFPGAN
GFPGAN 约有 37,697 个 star，是三者里人气最高的一款。它的代码以 Apache-2.0 发布，但请特别注意：它捆绑的预训练模型权重里，DFDNet 部分是 CC BY-NC-SA 4.0（非商用），StyleGAN2 部分受 NVIDIA 许可证约束，所以权重本身带有非商业限制，商用要谨慎。GFPGAN 由腾讯 ARC Lab 提出，靠"生成式人脸先验"做盲人脸修复与增强，提亮、去噪、补五官很利落，适合快速把一张灰扑扑的人脸照片变精神，是三者里上手最快的人脸增强工具。
Real-ESRGAN
xinntao/Real-ESRGAN 仓库链接，明文地址：https://github.com/xinntao/Real-ESRGAN
Real-ESRGAN 约有 37,299 个 star，许可证是 BSD-3-Clause，最干净、最友好。它定位为"通用图像盲超分"，擅长去模糊、去除 JPEG 压缩伪影、把小图放大，并不是专攻人脸的模型。它提供的 realesrgan-x4plus、realesrnet-x4plus、realesr-animevideov3、realesr-general-x4v3 等都是通用超分模型，并非人脸专属。人脸增强是它用 --face_enhance 选项在内部调用 GFPGAN 实现的，自己并不独立做人脸重建，这一点后面会再强调。
一个常被写错的关系
很多文章把 GFPGAN 说成 CodeFormer 的组件，这是错的。GFPGAN 与 CodeFormer 是两家团队各自独立的并列项目：CodeFormer 出自 NTU S-Lab（南洋理工大学），GFPGAN 出自腾讯 ARC。CodeFormer 在整图修复时接入的是 Real-ESRGAN 来做背景与脸部的超分增强，而不是 GFPGAN。换句话说，真正被 CodeFormer 当作"背景增强插件"用的是 Real-ESRGAN；realesrgan-x4plus 这类模型是通用超分模型，人脸增强那一环才轮到 GFPGAN 出场。把三者关系理顺，你才不会在部署时装错依赖、串错流程，也不会误以为装了 CodeFormer 就自动带了 GFPGAN。
三款速查表
为了不让你在三个仓库之间反复横跳，先用一张表把关键差异摆清楚：
| 模型 | GitHub 星数 | 许可证（代码 / 权重） | 核心强项 | 硬件门槛 |
|---|---|---|---|---|
| CodeFormer | 18,202 | NOASSERTION / NTU S-Lab 1.0（权重非商用） | 盲人脸修复、保真度可调 | 推荐 CUDA GPU |
| GFPGAN | 37,697 | Apache-2.0 / 权重含非商用约束 | 人脸增强、快速提亮 | 有 clean 版可纯 CPU |
| Real-ESRGAN | 37,299 | BSD-3-Clause | 通用超分、去模糊去伪影 | ncnn 版最省心 |
这张表解决的是"第一眼怎么挑"的问题：看星数你会被 GFPGAN 与 Real-ESRGAN 的体量吸引，但星数高不等于适合你的照片；看许可证你会立刻发现 CodeFormer 与 GFPGAN 的权重都有非商用这条线，只有 Real-ESRGAN 的通用模型最干净；看硬件门槛则能直接决定你今晚能不能跑起来。三列合起来，才是一个负责任的选型起点。
怎么选：先看照片再说
选型不用纠结，按照片类型对号入座即可。
人脸为主的老照片，优先 CodeFormer。它带一个保真度滑块 w（取值 0 到 1），w 越小出图越"美化"、质量越高，w 越大越忠于原图。如果你要修的是爷爷奶奶年轻时的合影，想既看清脸又保留原貌，CodeFormer 的灵活度最高；严重破损、五官模糊的极 old 照片，把 w 调高接近 1 也更稳。
整体模糊、扫描件、泛化清晰度问题，优先 Real-ESRGAN。老档案扫描、泛黄文件、被反复压缩过的 JPEG，交给它的去模糊与去伪影最划算，而且 ncnn 便携版不用装 CUDA，CPU 也能跑，是最省硬件的选择。
只想快速把人脸提亮、去噪，优先 GFPGAN。它是三者里"开箱即用、上手最快"的人脸增强，命令简单，clean 版还能在纯 CPU 的 Windows 上跑，适合不想折腾环境的人。
怎么本地跑
三款都需要 Python 环境，但门槛差别明显，下面分别说。
CodeFormer 本地部署
需要先用 conda 建一个 python=3.8 的环境，随后 pip install -r requirements.txt，再执行 python basicsr/setup.py develop。它依赖 PyTorch 与 CUDA，GPU 强烈推荐，CPU 能跑但速度很慢。主推理脚本是 inference_codeformer.py；官方在仓库内维护了基于 Gradio 的封装，社区还有 dfcode 等第三方 WebUI，不习惯命令行的人可以走图形界面，拖图进去就能出结果。
GFPGAN 本地部署
先 pip install basicsr facexlib，再 pip install -r requirements.txt 并 python setup.py develop。主脚本是 inference_gfpgan.py，例如：
python inference_gfpgan.py -i inputs/whole_imgs -o results -v 1.3 -s 2它提供"clean 版"无需 CUDA 扩展，可以在 CPU 与 Windows 上直接跑，对新手最友好；版本参数 -v 可选 1.2 到 1.4，其中 1.3 更自然、对各种画质更稳，1.2 更锐利且带轻微美颜，按需切换即可。
Real-ESRGAN 本地部署
最轻量。你可以用 Python 脚本方式：
python inference_realesrgan.py -n RealESRGAN_x4plus -i inputs --face_enhance也可以直接下载 realesrgan-ncnn-vulkan 这个便携可执行文件，不需要 CUDA、不需要 PyTorch，Intel、AMD、Nvidia 的显卡或纯 CPU 都能带动，是三者里最省心的一个；加上 --face_enhance 后它会自动调用 GFPGAN 做人脸增强，一条命令同时拿到清晰背景与干净人脸。
许可与商用边界
这一节必须说清楚，因为三款都不"完全自由"，只看代码协议会踩坑。
CodeFormer：GitHub API 许可字段是 NOASSERTION，README 标注 NTU S-Lab License 1.0，预训练权重按声明仅限研究与非商用，商用需要额外授权，不能想当然当免费商用。
GFPGAN：代码 Apache-2.0 可商用，但模型权重捆绑了 DFDNet（CC BY-NC-SA 4.0）与 StyleGAN2（NVIDIA 许可证），因此权重本身带非商业限制，把模型用在商业产品里要格外谨慎，最好取得明确授权再上。
Real-ESRGAN：BSD-3-Clause，代码与通用模型权重都相对宽松，是三者里商用风险最低的一个；不过它的 --face_enhance 会调用 GFPGAN，所以一旦启用人脸增强，那条非商业约束就跟着回来了，别以为用了它就万事大吉。
结论：做个人家族照片、研究、非营利展示，三款都安心；要做付费修复服务或商业产品，优先 Real-ESRGAN 的通用超分，人脸增强部分另寻合规授权，把边界留个白纸黑字。
需要提醒的是，许可证是会变的。GitHub 上项目的 LICENSE 文件、README 的声明、模型权重下载页的条款，三处都可能出现不一致；以实测为准的做法是：下载权重前先读仓库根目录的 LICENSE 与模型卡（model card），把"代码协议"和"权重协议"分开看，别被代码那一行 Apache-2.0 或 BSD 误导就以为整包可商用。一旦你要把修复结果拿去售卖、印成商品或集成进 SaaS，最稳妥的是给作者或权利方发一封授权询问邮件，留好书面记录。开源不等于无条件的自由，分清"能跑"和"能商用"是两件事。
实用建议
如果你第一次接触这类工具，建议从 Real-ESRGAN 的 ncnn 便携版入手，零环境、零显卡门槛，先把"清晰度"这一层跑通；确认效果方向对了，再上 GFPGAN 做人脸提亮，最后用 CodeFormer 做高保真精修。这样由轻到重、由通用到人脸，既不浪费时间装错环境，也能直观对比三款的差别。另外，老照片扫描请用尽量高的 DPI，原图越清楚，模型补全的脸部细节越可信，别拿手机翻拍的糊图指望模型起死回生。
还有一条工程上的经验：修图前务必保留原图副本，所有输出单独建目录，别覆盖原始扫描件。老照片往往只有一张，一旦被低质量参数覆盖就再无回头路。建议目录结构按"原始 / 中间 / 成品"三层摆放，每跑一轮就标注用了哪款模型、什么参数（尤其是 CodeFormer 的 w 值、GFPGAN 的版本号、Real-ESRGAN 的模型名），这样下次要复刻同一效果时不用重新试错。批量处理时也更方便写个简单的脚本循环调用推理命令，把一整箱照片一次性过完，比一张张手动点高效得多。
什么时候开源未必最优
说完优势，也要泼一点冷水。开源模型不是万能，下面几种情况它未必是最优解。第一，如果你完全没有命令行基础、也不愿意装 Python 环境，那么哪怕 ncnn 便携版也需要你下载、解压、敲命令，门槛依然高于"打开小程序上传"。第二，如果照片破损到人脸结构彻底缺失，模型再强也只能凭先验"想象"一张脸，结果可能与本人相去甚远，这种极端情况不如找专业修复师手工补绘。第三，如果你需要的是批量、稳定、可对外交付的商业服务，既要效果一致又要合规授权，那么自建这套工具链的人力与法务成本，可能反而高于采购成熟方案。开源给你的是控制权与可玩性，代价是你要自己成为那个"运维"，这一点想清楚再动手。
在线替代，一句话带过
如果你连环境都不想装，腾讯、字节、支付宝都有老照片修复小程序，上传即出图，零部署成本，只是原图要上传到对方服务器、且按他们的规则来处理，隐私与批量都做不到本地那么自由。
常见问题
Q1：哪款修人脸最好？
严重退化、看不清五官的老照片，CodeFormer 的盲人脸修复最稳，且能用 w 滑块平衡"还原"与"美化"；只想快速提亮去噪，GFPGAN 更快更省事。两者在人脸环节都强于 Real-ESRGAN，后者的人脸增强本质是借 GFPGAN 之力。
Q2：要不要显卡？
CodeFormer 与 GFPGAN 推荐有 NVIDIA 显卡（CUDA），跑得舒服；GFPGAN 有 clean 版可纯 CPU，CodeFormer 也能 CPU 慢跑。Real-ESRGAN 的 ncnn 便携版最不挑硬件，CPU 即可。没有独显也能跑，只是速度差别明显，修一张图可能从几秒变成几分钟。
Q3：怎么本地跑？
先装好 Python 与对应依赖：CodeFormer 走 inference_codeformer.py，GFPGAN 走 inference_gfpgan.py，Real-ESRGAN 走 inference_realesrgan.py 或下载 ncnn 便携版。怕命令行的，CodeFormer 与部分社区项目提供 WebUI，点点鼠标就行，不用记参数。
Q4：商用行不行？
Real-ESRGAN（BSD-3-Clause）通用超分最安全；CodeFormer 权重仅限研究非商用，需额外授权；GFPGAN 代码可商用但权重带非商业限制。做付费修复务必先厘清每条模型的许可证，别只看代码协议就以为能商用。
Q5：和在线小程序比如何？
在线小程序零部署、上手快，但原图要上传、按对方规则处理、难以批量与自定义；本地开源模型数据不出本机、参数可控、可批量，代价是要自己装环境、吃硬件。隐私敏感或要修一整箱照片，本地更合适。