老照片修复 ComfyUI 工作流教程分享 效果惊艳 超高清细节 重新上色

最新推荐文章于 2024-08-28 14:16:17 发布
最新推荐文章于 2024-08-28 14:16:17 发布
阅读量2.5k 收藏 25
点赞数 29
文章标签： 人工智能 AIGC
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Java_Joker/article/details/140373462
版权

前言

最近老照片修复+动态视频的玩法非常火，关于老照片修复的部分，花一天时间，参考了一些博主的工作流，再加上自己总结的一些经验，完成了一版老照片修复上色的完整流程，可以看看下面的效果。

今天，我把老照片详细的修复流程分享给你，希望对你有帮助。

在这里插入图片描述

从技术上来说，修复流程主要分两部分：PS 老照片缺陷修复和 ComfyUI 还原上色工作流。全部所需软件、完整工作流和模型已全部打包好，有需要的自取。

一、Ps 老照片缺陷修复

在这里插入图片描述

1、噪点修复

在这里插入图片描述

Ctrl+J 复制一个图层，保留原始图像

点击菜单-滤镜-Camera Raw 滤镜，点击“细节”-调节“减少杂色”，直到杂色消失，这样图像也会变模糊，我们再调高“细节”，图像会变清晰

根据效果，还可以再调节“清晰度”、“对比度”、“饱和度”等参数

确认后，人物整体变模糊了，下面再来调节清晰度

Ctrl+J 再复制一个图层

点击菜单-滤镜-其它-高反差保留

调节参数，直到人物轮廓刚刚显示出来，确定

图层的融合模式选择“线性光”，不透明度调为30%左右，这样清晰度就提高了

2、缺陷、划痕修复

Ctrl+J 再复制一个图层

点击菜单-滤镜-杂色-蒙尘与划痕，调节参数，直到脏点、划痕消失，确定

创建蒙版，快捷键 Ctrl+i 蒙版反相

前景色修改为白色，选择画笔工具，并调节适合的大小、不透明度、流量，涂抹划痕和噪点区域

3、其它修复工具综合使用

接下来把新建的图层全部合并

点击菜单-图像-调整-去色（后面 AI 部分会重新上色）

再用以下这3个工具，根据图片的情况选择使用

【污点修复画笔工具】可以快速去掉图片中的污点或多余元素

【修复画笔工具】可以将仿制源的纹理、光照、透明度和阴影与修复区域进行智能匹配，完美融入

【修补工具】-绘制修复区域，框出选区-移动选区到合适的的区域覆盖框选区域-松开鼠标取消选区

还可以使用“内容识别”功能来自动填充图像

用套索工具选择需要修改的区域，点击菜单-编辑-填充，选择“内容识别”，还可以调节透明度，根据修改效果来不断调整优化。

本文涉及模型、插件下载请扫描免费获取哦
在这里插入图片描述

二、ComfyUI 还原上色工作流

ComfyUI 还原上色部分大致分为 5 个部分：第一次人像还原、细节重绘部分、还原上色部分、第二次人像还原、高清放大，下面分别来讲一下。

1、第一次人像还原

通过 CodeFormer 对人像脸部进行简单的修复（可以下载 facerestror 插件使用），这个插件分为人脸检测和人脸修复两部分，可以选择不同的检测模型和修复模型，根据效果找一个最佳的组合。

还可以调节 fidelity 参数，范围0~1，0修复强度最大，人脸变化最大，1修复强度最小，根据效果来调整参数。

2、细节重绘部分

这一部分是通过 ControlNet 控制对原图进行重绘，简单修复并加上一些细节。

首先，老照片的背景一般都会泛黄或者有瑕疵，索性先通过 LayerStyle 扣除背景，可以替换掉指定的颜色，其中抠图蒙版的膨胀系数和模糊系数，需要根据效果来调整。

这里选择的是 SD1.5 的大模型，其它 Lora、ControlNet 库也要同步选择 SD1.5 版本的类型。

通用质量提示词，加上 WD反推提示词，还可以根据期望的图像效果，增加自定义的提示词，负面提示词就参考我的工作流的提示词。

注意：反推提示词中如果有破损、黑白、模糊等反映老照片的提示词，需要排除掉，避免影响生图。

ControlNet 使用了 Tile 和 Lineart 来控制，增加细节，并保留原始图像的轮廓，最后，控制降噪参数为 0.3 左右生图，还是同样的，根据出图效果来调整参数。

3、还原上色部分

这一步，根据提示词、ControlNet 的 recolor 模型对照片进行上色。

先对图像对比度、饱和度等进行调整，大模型选择 SDXL 写实大模型，提示词包括颜色、质量等通用提示词，再加上你期望的人物头发、衣服等描述颜色的提示词。

ControlNet 通过 recolor 来进行人像上色，模型文件已经准备好了，你可以到网盘中下载。

4、第二次人像还原

照片上色后，再次通过 facerestore 对人像进行还原，根据效果调整参数，如果效果不好，也可以忽略掉。

5、SUPIR 高清放大

这一步，我们利用 SUPIR 能够高度还原人像的能力，且不会造成与原图差异较大，我们可以根据自己显卡配置，调整放大倍数。

6、SD 超高分辨率放大

如果对照片有超高分辨率的需求，这一步利用 SD 进行分步高清放大。

为了帮助大家更好地掌握 ComfyUI，我在去年花了几个月的时间，撰写并录制了一套ComfyUI的基础教程，共六篇。这套教程详细介绍了选择ComfyUI的理由、其优缺点、下载安装方法、模型与插件的安装、工作流节点和底层逻辑详解、遮罩修改重绘/Inpenting模块以及SDXL工作流手把手搭建。

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取

一、ComfyUI配置指南

  • 报错指南
  • 环境配置
  • 脚本更新
  • 后记
  • …

img

二、ComfyUI基础入门

  • 软件安装篇
  • 插件安装篇
  • …

img

三、 ComfyUI工作流节点/底层逻辑详解

  • ComfyUI 基础概念理解
  • Stable diffusion 工作原理
  • 工作流底层逻辑
  • 必备插件补全
  • …

img

四、ComfyUI节点技巧进阶/多模型串联

  • 节点进阶详解
  • 提词技巧精通
  • 多模型节点串联
  • …

img

五、ComfyUI遮罩修改重绘/Inpenting模块详解

  • 图像分辨率
  • 姿势
  • …

img

六、ComfyUI超实用SDXL工作流手把手搭建

  • Refined模型
  • SDXL风格化提示词
  • SDXL工作流搭建
  • …

img

由于篇幅原因，本文精选几个章节，详细版点击下方卡片免费领取

在这里插入图片描述

img

Ai_绘画小南
关注
ComfyUI AI老照片修复上色工作流
04-19
Stable Diffusion ComfyUI一键老照片修复上色工作流
PhotoGlory（老照片修复上色软件）官方特别版V2.0.0 | 老照片修复软件下载
05-31
PhotoGlory是一款强大的老照片修复上色软件，可以帮助用户轻松去除划痕、折痕、污渍、裂纹,在点击中对黑白照片进行着色处理，恢复褪色和洗过的图像的颜色，添加样式化的文字标签和日期印章，是旧照片翻新最清晰最好用软件之一。
一键修复老照片：稳定扩散与ComfyUI工作流详解
最新发布
小王的储物间
08-28 1059
在数字时代，老照片的修复和上色已不再是繁琐的手工工作。借助先进的人工智能工具，如ComfyUI，我们可以实现一键式的老照片修复，只需上传一张老照片，系统便能自动完成上色和修复工作。当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
Stable Diffusion教程：老照片翻新修复上色！
2401_84760527的博客
07-24 674
你家里是不是有这样的老旧照片？满满的承载了儿时的回忆，但是随着岁月的流逝，已经模糊不清。想要修复老照片，并让照片恢复往日光彩，去某宝查了下价格要 200 起步。好家伙真贵啊，但现在可是 AI 时代，对于 AI 来说这都是小菜一碟。本文涉及的工作流和插件，需要的朋友请扫描免费获取哦一、用 ComfyUI 一键修复老照片ComfyUI 是基于 Stable Diffusion 内核的一款基于图形/节点/流程图的界面设计 AI 绘图生产力工具，其特点是一个流程图设计完成，就能共享给其他人使用。
ComfyUI实现老照片修复
08-09 926
ComfyUI实现老照片修复
comfyui老照片修复工作流，直接复制到comfyui中即可使用
无极低码
08-04 1130
comfyui老照片修复工作流，直接复制到comfyui中即可使用
ComfyUI 图像放大插件 SUPIR ,废图修复神奇
HJS123456780的博客
04-03 2588
AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
AI绘图：ComfyUI中图片放大与细节修复的终极指南
04-01 6461
在数字艺术创作和图像处理中，我们经常会遇到需要放大图片的情况。无论是为了打印、展示还是仅仅为了提高图像质量，放大图像的同时保持或增强细节是一个挑战。幸运的是，ComfyUI提供了多种方法来实现图片的放大和细节修复。前几节课我们学习了文生图、图生图、局部重绘，但是生成的图片分辨率太小，我们可以通过模型放大、潜在放大、非潜在放大、分块放大多种方式对图像进行放大。本文将详细介绍如何在ComfyUI中使用这些方法，帮助你获得高质量的放大图像。在ComfyUI中，有多种方法可以实现图片的放大和细节修复。
ComfyUI 基础教程（九）：HiRes_Fix高清修复
细节控-AI先行者的博客
12-14 2055
高清放大，是AI绘画和视频处理中最为基础而又关键的特效之一。在COMFY-UI中，学会如何实现高清放大成为不可或缺的技能。
超分辨率技术AI人工智能老照片修复马赛克画质变高清AI人像脑补照片高清重建模糊图片变清晰软件.rar
01-07
模糊图片变清晰一般称之为超分辨率技术，最近看到了一个人像高清重建的开源项目，主打AI修复老照片和黑白上色。如下是项目的GitHub主页，获得746 Stars，估计后期肯定会涨很多星。 项目主页包含了一些样例图片...
C# DeOldify 黑白照片 老照片上色 源码
09-27
此外，对于不同的照片，模型的效果可能会有所差异，有些照片可能需要进行额外的修复工作，比如去除噪声、修复破损等。 总的来说，利用C#和DeOldify框架对黑白照片进行上色是一项既有趣又有挑战性的任务。通过理解...
ComfyUI使用总结
金闪闪_Li的博客
10-24 8472
ComfyUI，它的主要特点是以工作流的形式来进行和展现基于stable diffusion模型的文生图和图生图的过程，拖拽式操作来链接各个节点，比如base model、vae、controlnet、lora、hypernet等。让整个生成过程更加清晰，易于理解。
AI绘画--还在为面部瑕疵烦恼？ComfyUI脸部工作流帮你一键修复
阿道夫的博客
08-05 1924
大家好我是小王同学！！SD的WebUI 中的面部修复神器 ADetailer，无法在ComfyUI 中使用。那么如何在ComfyUI中进行面部处理呢？ComfyUI 中也有几个面部修复功能，比如ComfyUI Impact Pack（FaceDetailer），以及换脸插件Reactor和IPAdapter。ComfyUI-Impact-Pack 是一个功能强大的插件，专为 ComfyUI 设计，用于从图片中识别出人脸面部，重绘人脸。
推荐项目：ComfyUI-Inpaint-CropAndStitch —— 创新图像修复与融合的终极解决方案
gitblog_00050的博客
06-13 648
???? 推荐项目：ComfyUI-Inpaint-CropAndStitch —— 创新图像修复与融合的终极解决方案 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 在图像处理领域中，特别是在图像修复和再创作方面，ComfyUI-Inpaint-CropAndStitch 是一款革命性的开源软件插件。它作为 ComfyUI 的一部分（一个用于实验AI艺术创作的强大平台），提...
COMFYUI换脸ReActor报错Value not in list: face_restore_model: ‘codeformer.pth‘解决
applebomb的专栏
04-11 1328
COMFYUI换脸ReActor报错Value not in list: face_restore_model: 'codeformer.pth'解决
探索图像修复的未来：ComfyUI Inpaint Nodes
gitblog_00083的博客
05-30 949
探索图像修复的未来：ComfyUI Inpaint Nodes 项目地址:https://gitcode.com/gh_mirrors/co/comfyui-inpaint-nodes 在数字艺术和图像处理的世界中，修复破损或缺失的部分是一项挑战性的任务，但随着先进的AI模型的发展，这一过程正在变得越来越简单。今天，我们向您推荐一个名为ComfyUI Inpaint Nodes的开源项目，它将带给...
ComfyUI系列教程(5)--ComfyUI基础节点Controlnet
Liangyq_cuc的博客
08-16 1380
ComfyUI系列教程(5)--ComfyUI基础节点Controlnet
基于深度学习的老照片上色代码实现
05-31
基于深度学习的老照片上色涉及到多个模型和算法，下面我简单介绍一下其中一种常用的方法，并提供一个对应的 Python 代码实现。 1. 数据准备 首先需要准备一些有标注的彩色照片和对应的黑白照片，作为训练集和测试集。可以从一些公开数据集中获取，如ImageNet，CIFAR等。 2. 模型搭建 接下来需要搭建一个卷积神经网络（CNN）模型，用于学习黑白照片和彩色照片之间的对应关系。这个模型需要包含一个编码器（Encoder）和一个解码器（Decoder），其中编码器用于将输入的黑白照片转换为一个中间表示，解码器用于将这个中间表示转换为彩色照片。 下面是一个简单的模型搭建代码示例： ```python from tensorflow.keras.layers import Conv2D, UpSampling2D, Input from tensorflow.keras.models import Model def build_model(): # 编码器 input_layer = Input(shape=(256, 256, 1)) x = Conv2D(64, (3, 3), activation='relu', padding='same')(input_layer) x = Conv2D(64, (3, 3), activation='relu', padding='same', strides=2)(x) x = Conv2D(128, (3, 3), activation='relu', padding='same')(x) x = Conv2D(128, (3, 3), activation='relu', padding='same', strides=2)(x) x = Conv2D(256, (3, 3), activation='relu', padding='same')(x) x = Conv2D(256, (3, 3), activation='relu', padding='same', strides=2)(x) x = Conv2D(512, (3, 3), activation='relu', padding='same')(x) x = Conv2D(512, (3, 3), activation='relu', padding='same')(x) x = Conv2D(256, (3, 3), activation='relu', padding='same')(x) # 解码器 x = UpSampling2D((2, 2))(x) x = Conv2D(128, (3, 3), activation='relu', padding='same')(x) x = Conv2D(128, (3, 3), activation='relu', padding='same')(x) x = UpSampling2D((2, 2))(x) x = Conv2D(64, (3, 3), activation='relu', padding='same')(x) x = Conv2D(64, (3, 3), activation='relu', padding='same')(x) x = Conv2D(32, (3, 3), activation='relu', padding='same')(x) output_layer = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x) model = Model(input_layer, output_layer) model.compile(optimizer='adam', loss='mse') return model ``` 3. 模型训练 模型搭建好之后，需要使用训练集对其进行训练。训练的过程中可以使用一些数据增强的技术，如随机裁剪、旋转、翻转等，以增加模型的泛化能力。 下面是一个简单的模型训练代码示例： ```python import numpy as np from tensorflow.keras.preprocessing.image import ImageDataGenerator model = build_model() # 数据增强 datagen = ImageDataGenerator( rescale=1. / 255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, shear_range=0.2, zoom_range=0.2, horizontal_flip=True, fill_mode='nearest') # 加载数据集 train_data = datagen.flow_from_directory( 'train/', target_size=(256, 256), batch_size=32, class_mode=None) # 训练模型 model.fit(train_data, epochs=50) ``` 4. 模型测试 模型训练好之后，可以使用测试集对其进行测试，并将黑白照片转换为彩色照片。 下面是一个简单的模型测试代码示例： ```python import cv2 # 加载模型 model = build_model() model.load_weights('model_weights.h5') # 读取黑白照片 img = cv2.imread('test.jpg', cv2.IMREAD_GRAYSCALE) img = cv2.resize(img, (256, 256)) img = np.expand_dims(img, axis=-1) # 预测彩色照片 pred = model.predict(np.array([img]))[0] pred = pred * 255 pred = pred.astype(np.uint8) # 保存彩色照片 cv2.imwrite('result.jpg', pred) ``` 以上是一个简单的基于深度学习的老照片上色代码实现。由于涉及到多个模型和算法，实现起来比较复杂，需要一定的深度学习和编程知识。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值