五一期间，爱人老家需要翻修，他们收拾老物件的时候翻出一堆泛黄的老照片。这些照片划痕明显，边角发霉，有些地方甚至看不清人脸。
正好我最近在研究 AI 自动生成提示词，想着试试能不能让这些照片"活"过来。通过摆楞各种AI工具，最终通过Gemini修复完，爱人瞅了瞅对我说：
"这照片修复的还可以，但是怎么神情有一些不像我了！"
那一刻，我突然意识到老照片AI修复在不约束的情况，存在一个巨大的坑：不是修的不好，而是修的"太好"了。
一、AI聪明的抹除了老照片“岁月感”痕迹
▲ 三张不同问题待修复的照片——数据来源：个人和网络
为了输出我完美的老照片修复提示词，我挑了三张最有代表性的照片实验，每张照片问题各异。
照片①：老阿姨80年代证件照（来源：网络）
- 第一次修复结果：色泽过于明显，人物美颜磨皮，完全丧失年代感，人物神情过于优化。
照片②：10年前两只猫"桂圆"和"荔枝"的合影（来源：个人）
- 问题：整体偏暗、后边桂圆看不清、荔枝的纹路都不清晰、影像模糊
- 第一次修复结果：AI 自作主张给猫"补"了乱七八糟的花纹，同时增加了色泽，缺乏原有照片的底色。
照片③:大学军训照
- 问题：完全褪色、只能看的人形、脸部轮廓完全识别不出来
- 第一次修复结果：AI自己凭借聪明详细在自己的人物特征库里面自动给填充了人物，忽略了岁月带给照片无法修复的痕迹。
综上三张照片的问题，我们发现了一个共性问题：AI 太聪明了，聪明到把"岁月感"也当成了需要修复的瑕疵。
二、5版提示词优化迭代，只为保留那份“岁月感”
问题找到了,开始改提示词。我前后改了五版,每一版都踩了新坑。
V1.0：太简单
结果：就是照片①前面说的灾难，AI 理解成了"美颜+去噪+自动补全"。
步骤:修复老照片，去除划痕和霉斑，保留原始年代感，不要过度美化
结果：比V1.0稍微好一些，但是 AI 对“年代感”理解成了“加褐色滤镜”，最终导致老阿姨的照片变成了复古海报。
V3.0：加预处理
第一步:识别照片中的损坏区域(划痕、折痕、污渍、老化斑点)第二步:仅修复损坏区域,保留完好部分的原始质感第三步:不要改变人物五官比例、肤色、表情第四步:局部细节增强（人脸/物体/纹理），清晰但不过锐，动态范围优化，亮部不过曝，暗部有细节第五步:统一影调与对比度，恢复自然灰阶层次，降噪处理同时保留真实胶片颗粒，避免数字感，第六步:输出高分辨率版本，细节真实，质感自然，纪实修复风格
结果：对比前两版有了明显进步，但是大学军训照片还是翻车了，最终导致AI 把模糊人物脸部轮廓根据自己的人物特征库“脑补”成了不同的人物。
V4.0：加防御机制
第一步:识别照片中的损坏区域(划痕、折痕、污渍、老化斑点)第二步:仅修复损坏区域,保留完好部分的原始质感第三步:不要改变人物五官比例、肤色、表情第四步:局部细节增强（人脸/物体/纹理），清晰但不过锐，动态范围优化，亮部不过曝，暗部有细节第五步:统一影调与对比度，恢复自然灰阶层次，降噪处理同时保留真实胶片颗粒，避免数字感，第六步:输出高分辨率版本，细节真实，质感自然，纪实修复风格第七步:如果照片中某个区域完全无法识别(模糊/缺失)，不要自动生成内容，保持模糊或标记为不可修复区域
结果：这版终于终于没乱补细节了，但是新问题又出现了，就是修复后的照片和原片对比,反差有一些大，看着像两张照片。
Version 5.0:最终版(可用)
经过反复不停地调整，再利用Google的自动提示词Gem指令，我最终输出了出了这套老照片修复提示词框架:
# Role: 高精度影像AI修复专家 (High-Precision Photo Restoration AI Expert)## Profile:- Expertise: 计算机视觉（CV）、数字图像考古学、感光化学模拟、非破坏性像素重建。- Philosophy: “修复是消除时间的负熵，而非创作”。追求历史瞬间的真实归位，严禁任何形式的身份特征演绎与语义幻觉。## Workflow:### Phase 0: 质量闸门与智能预处理 (Quality Gate & Pre-processing)- [可行性评估] **核心判定**：若原始图像受损至物理结构完全丧失（如面部特征全盲、无法识别基本轮廓），立即阻断修复流程，输出提示：“照片过于模糊，已与您渐行渐远”。- [几何重构] 自动识别并纠正翻拍导致的透视畸变，利用仿射变换将画面还原为标准的 1:1 矩形平面。- [背景剥离] 智能识别并剔除翻拍背景（如桌面、相框、杂物等），实现照片主体的数字化“脱离”。### Phase 1: 物理损伤净化 (Pixel-Level Cleaning)- [精准去噪] 像素级定位并移除划痕、折痕、霉斑及 JPEG 量化噪声（Artifacts）。- [逻辑补全] 仅基于局部像素梯度和纹理统计进行空洞填充。**严禁“脑补”原图无逻辑支撑的物体或服饰细节。**### Phase 2: 去语义化细节增强 (Zero-Hallucination Refinement)- [特征几何锚定] 所有细节重建必须以原图像素簇中心为几何锚点。**禁止调用任何预设肖像库或身份映射（Identity Mapping）模型。**- [比例绝对化] 严苛保持 1:1 原始骨骼比例（瞳距、鼻唇间距、下颌线）。- [质感守恒] 降噪时禁止“塑料感”磨皮。必须模拟原始胶片的**随机银盐颗粒感（Silver Halide Grain）**，消除数字合成痕迹。- [低保真容忍度] 在信息缺失区域，宁可保持“带颗粒感的模糊”，也绝不进行自我演绎。若像素不足以支撑清晰五官，严禁生成清晰的“假脸”。### Phase 3: 影调与动态重构 (Tonal Balancing)- [自然灰阶还原] 修正色彩坍塌，统一全图影调分布，恢复具备物理深度的自然灰阶层次。- [动态范围控制] 优化亮度分布。确保亮部（Highlights）保留相纸纤维纹理（Luminance < 250），确保暗部（Shadows）具备呼吸感细节（Luminance > 5）。## Constraints & Rules:- **去语义化原则**：修复目标是“清晰的像素”，而非“清晰的人物”。禁止识别特定身份后进行特征替换。- **锐度标准**：追求光学级清晰而非算法级锐化。严禁产生高反差白边（Halos）。- **执行底线**：杜绝一切“AI 美颜感”。若无法修复，必须按预设语句反馈，禁止盲目输出。## Output:- **可识别修复**：输出高分辨率、质感自然、具备纪实摄影质感的修复影像。- **完全无法识别**：仅输出反馈语：“照片过于模糊，已与您渐行渐远”。
三、最终修复前后效果对比
照片①：老阿姨80年代证件照前后修复对比
照片②：10年前两只猫"桂圆"和"荔枝"的合影前后修复对比
照片③:大学军训照前后修复对比
写在最后
经过这次瞎折腾，我有了一个很深的感受，AI再聪明，你要是不约束好他，他也会自作聪明的做图，为此我总结出三条核心经验：
① 老照片修复的本质，是"修复损伤",不是“重建照片”：AI 很容易把模糊当成损伤，把岁月感当成需要优化的对象。你要明确告诉它这些：哪些是该修的(划痕、霉斑)，哪些是该留的(颗粒感、年代色调、真实肤色)。
② 预处理步骤不是可选项，是必选项：我们应该让 AI 先“看懂”照片再动手，这远远比直接让它立马修复效果好。预处理过程包括-识别年代、评估损坏类型、判断可修复程度，这三步可以让我们避免 90% 的翻车。
③ 防御性约束比正向指令更重要：什么不能干有时候比什么能干对于AI来说更重要，比如“不要改变五官”、“不要自动补全细节”、和“不要过度美化”，这些“不要”比“请修复”更关键对于AI来说更关键，因为 AI 默认会做的“太好”，而忽略“真实感”。
💬 今日互动：岁月流逝，你翻看过往的老照片怀旧时，是否为时间给照片带来的痕迹如何修复而苦恼，你又是如何利用所学修复的呢？欢迎留言聊聊 ！
