Cómo funciona

Old Photo Studio restaura fotos dentro de tu navegador web. Tu foto se queda en tu propio dispositivo de principio a fin.

Tu foto se queda en tu dispositivo

Cuando eliges una foto, tu navegador la lee desde tu dispositivo y la carga en memoria. Tu propio dispositivo hace la restauración, con archivos de modelos pequeños y el software que los ejecuta. Ambos vienen de nuestro sitio web. Tu foto nunca se envía a nosotros ni a nadie más. Cuando guardas un resultado, tú eliges dónde va. En el celular, “Guardar foto” abre el menú para compartir de tu celular, donde puedes guardar la foto en tus fotos o en tus archivos. Si tu navegador no puede compartir archivos, la foto se descarga como cualquier otro archivo.

La primera vez que usas la herramienta, tu navegador descarga los modelos y su software. Tu navegador guarda una copia, así que no tienen que descargarlos de nuevo en tus próximas visitas. La herramienta también pide a tu navegador que guarde estos archivos, para que arranque más rápido la próxima vez. Algunos navegadores pueden pedirte que lo permitas. Estos archivos no contienen información sobre ti ni sobre tus fotos.

Qué le pasa a tu foto

Eliges una foto. Funcionan los archivos JPEG, PNG y WebP. Si la foto se tomó de lado, se gira para que quede derecha. Las fotos muy grandes se reducen primero, para que tu dispositivo pueda con ellas.
Se marcan los rayones y el polvo. Un detector de daños busca rayones, polvo y motas, y los marca en rojo. Deja fuera las caras, porque confunde el brillo de los ojos con motas. Las marcas son una sugerencia: en fotos reales, el modelo pasa por alto algo de polvo y algunos rayones finos. También puede marcar como daño un borde roto o irregular del cartón de la foto, así que recorta los bordes antes de empezar.
Revisas las marcas. Pinta encima del daño que el modelo no marcó, borra las marcas que no son daño y deshaz lo que necesites. Luego elige “Rellenar y restaurar”, o “Omitir este paso” para dejar la foto como está.
Se rellenan las partes marcadas. Un modelo de relleno vuelve a pintar solo las zonas marcadas, a partir de la foto que las rodea. Trabaja sobre una copia de unos 1024 píxeles en su lado más largo, y el relleno se mezcla con tu foto completa solo dentro de las marcas. El resto de la foto no se toca.
Se empareja los tonos descoloridos. Un paso fijo estira los tonos claros y oscuros de las fotos descoloridas, para que las partes más oscuras queden oscuras y las más claras queden claras. Es un estiramiento de tonos, no un aclarado general de la foto, y no cambia el tinte de color. Si apagas el color en el paso 7, una foto en sepia o con tono marrón conserva su tono.
El modelo de mejora limpia y amplía la foto. El modelo trabaja con el detalle de luz y sombra de la foto: grano, desenfoque y bloques de compresión. La foto queda 4 veces más ancha y 4 veces más alta. Los colores se amplían con un método de cambio de tamaño estándar y luego se devuelven a la foto, así que este modelo no los cambia.
Se agrega color, si lo quieres. En una foto en blanco y negro o en sepia, un modelo de color sugiere colores, a partir de la foto ya rellenada y con los tonos igualados. Luego los colores se unen al resultado ampliado, para que salgan a tamaño completo. “Agregar color” viene activado en las fotos sin color y apagado en las que ya tienen color, y un interruptor lo enciende o lo apaga. El control “Intensidad del color” hace los colores más suaves o más vivos, y el resultado cambia al instante. Los colores son una suposición del modelo, no los reales. Colorear fotos en blanco y negro tiene consejos para lograr un mejor color.
Comparas y guardas. Puedes mirar el original y el resultado, y luego guardar el resultado como un archivo PNG nuevo, con el nombre de tu foto y “-restored” agregado. Tu archivo original no cambia. El archivo nuevo no conserva los detalles ocultos del original, como la fecha en que se tomó o la cámara que se usó.

¿Qué tan rápido es?

Depende de tu dispositivo y del tamaño de la foto. En los navegadores que admiten WebGPU, la herramienta usa el chip gráfico de tu dispositivo, que suele ser más rápido. En otros navegadores usa el procesador principal, que es más lento. La primera foto también tiene que esperar a que se descarguen los modelos.

Los modelos

Entrenamos los modelos nosotros mismos, con fotos antiguas que Flickr indica como de dominio público, CC0 (sin derechos reservados) o “sin restricciones de derechos de autor conocidas” (Flickr Commons), tomadas del conjunto de datos Megalith-10M. Cada modelo aprendió en parte de un modelo de código abierto más grande, que usamos como referencia durante el entrenamiento. Solo publicamos nuestros propios modelos entrenados. Los modelos de referencia no forman parte del sitio.

Marcas de rayones y polvo

Entrenado por nosotros con fotos antiguas a las que agregamos daños a propósito, y con fotos reales dañadas que marcó el detector de rayones de “Bringing Old Photos Back to Life” [devolver la vida a las fotos antiguas], de Microsoft (licencia MIT), usado como modelo de referencia durante el entrenamiento.

Relleno de las marcas

Entrenado por nosotros, usando LaMa (licencia Apache-2.0) como modelo de referencia durante el entrenamiento.

Color

Nuestro modelo ColorNet. Su codificador parte del modelo MobileNetV3-Large entrenado con ImageNet, de torchvision (licencia BSD-3-Clause).
Entrenado por nosotros, usando DDColor (licencia Apache-2.0) como modelo de referencia durante el entrenamiento.

Mejora (limpia el grano y el desenfoque, y amplía 4 veces)

Diseño de red: SRVGGNetCompact, publicado junto con Real-ESRGAN por Xintao Wang y otros (licencia BSD-3-Clause).
Entrenado usando modelos de Real-ESRGAN como modelos de referencia durante el entrenamiento: general-x4v3, con su modelo de reducción de ruido (denoise) a intensidad 0.5 (BSD-3-Clause, © 2021 Xintao Wang), y RealESRGAN_x4plus (la misma licencia) en una etapa anterior del entrenamiento. Nuestro modelo aprendió a igualar sus resultados en nuestras fotos.

Software que ejecuta los modelos

ONNX Runtime Web, de Microsoft (licencia MIT).

Nuestros modelos

Los modelos de restauración de este sitio los entrenamos nosotros. No los licenciamos para copiarlos, extraerlos ni reutilizarlos. Las licencias que aparecen aquí pertenecen a los proyectos de código abierto que nombramos, y nuestros propios modelos no se publican bajo ellas.

Links: Bringing Old Photos Back to Life https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life · LaMa https://github.com/advimman/lama · DDColor https://github.com/piddnad/DDColor · torchvision https://github.com/pytorch/vision · Real-ESRGAN https://github.com/xinntao/Real-ESRGAN · ONNX Runtime https://github.com/microsoft/onnxruntime · Megalith-10M https://huggingface.co/datasets/madebyollin/megalith-10m

Límites

No puede recuperar lo que se perdió. Las esquinas arrancadas, los agujeros y los rayones fuertes que atraviesan una cara no dejan nada con qué trabajar.
Estima los detalles finos. Al ampliar una foto, rellena el grano y la textura con base en las fotos antiguas con las que aprendió. Las caras y la escritura pueden quedar más lisas o un poco distintas del original. Revísalas antes de imprimir.
Las marcas de rayones son una sugerencia. El detector de daños pasa por alto algo de polvo y algunos rayones finos, y deja fuera las caras. Revisa las marcas rojas antes de rellenarlas. No quita manchas.
Las partes rellenadas son una suposición. El modelo de relleno pinta lo que probablemente estaba ahí, basándose en la zona que la rodea. Revisa las caras, los ojos y la escritura.
Los colores son una suposición. El modelo de color no conoce los colores reales. Un vestido o un auto pudieron ser de otro color. Hazlos más suaves con el control deslizante, o apaga el color.
No es una copia del original. El resultado es una imagen nueva hecha a partir de tu foto. Conserva tu copia original en papel y tu primer escaneo. Los Archivos Nacionales de EE. UU. aconsejan conservar los originales después de digitalizarlos.

Fuente: National Archives, “Digitizing Family Papers and Photographs” (en inglés). https://www.archives.gov/preservation/family-archives/digitizing.html (leído el 4 de noviembre de 2026)