วิธีการทำงาน

Old Photo Studio ซ่อมรูปภายในเว็บเบราว์เซอร์ รูปของคุณอยู่บนอุปกรณ์ของคุณตลอดตั้งแต่ต้นจนจบ

รูปของคุณอยู่บนอุปกรณ์ของคุณ

เมื่อคุณเลือกรูป เบราว์เซอร์จะอ่านรูปจากอุปกรณ์ของคุณเข้าสู่หน่วยความจำ อุปกรณ์ของคุณเองเป็นผู้ซ่อม โดยใช้ไฟล์โมเดลขนาดเล็กและซอฟต์แวร์ที่รันโมเดล ทั้งสองอย่างมาจากเว็บไซต์ของเรา รูปของคุณไม่เคยถูกส่งถึงเราหรือใครอื่น เมื่อคุณบันทึกผลลัพธ์ คุณเลือกได้ว่าจะเก็บไว้ที่ไหน บนมือถือ “บันทึกรูป” จะเปิดเมนูแชร์ของโทรศัพท์ ซึ่งคุณบันทึกรูปลงในแอปรูปภาพหรือในไฟล์ของคุณได้ ถ้าเบราว์เซอร์ของคุณแชร์ไฟล์ไม่ได้ รูปจะดาวน์โหลดเหมือนไฟล์อื่นทั่วไป

การใช้เครื่องมือครั้งแรก เบราว์เซอร์ของคุณจะดาวน์โหลดโมเดลและซอฟต์แวร์ของโมเดล เบราว์เซอร์เก็บสำเนาไว้ ดังนั้นการเข้าชมครั้งถัดไปจึงไม่ต้องดาวน์โหลดอีก ไฟล์เหล่านี้ไม่มีข้อมูลเกี่ยวกับคุณหรือรูปของคุณ

รูปของคุณผ่านขั้นตอนอะไรบ้าง

คุณเลือกรูป ใช้ได้กับไฟล์ JPEG, PNG และ WebP ถ้ารูปถูกถ่ายตะแคง ระบบจะหมุนให้ตรงก่อน รูปขนาดใหญ่มากจะถูกย่อให้เล็กลง เพื่อให้อุปกรณ์ของคุณทำงานได้
ทำเครื่องหมายรอยขีดข่วนและฝุ่น โมเดลความเสียหายค้นหารอยขีดข่วน ฝุ่น และจุด แล้วทำเครื่องหมายเป็นสีแดง มันไม่รวมใบหน้า เพราะเข้าใจผิดว่าแสงในดวงตาของคนเป็นจุดฝุ่น เครื่องหมายเป็นเพียงข้อเสนอแนะ: กับรูปจริง โมเดลพลาดฝุ่นและรอยขีดข่วนเล็ก ๆ บางจุด และอาจทำเครื่องหมายขอบรูปพิมพ์ที่ฉีกหรือขรุขระว่าเป็นความเสียหายได้ ดังนั้นให้ตัดขอบออกก่อนเริ่ม
คุณตรวจเครื่องหมาย ทาทับความเสียหายที่โมเดลพลาดไป ลบเครื่องหมายที่ไม่ใช่ความเสียหาย และเลิกทำได้ถ้าต้องการ แล้วเลือก “เติมและซ่อม” หรือเลือก “ข้ามขั้นนี้” เพื่อให้รูปคงเดิม
ส่วนที่มีเครื่องหมายจะถูกเติม โมเดลเติมจะวาดทับเฉพาะบริเวณที่มีเครื่องหมาย โดยใช้รูปรอบ ๆ เป็นฐาน มันทำงานบนสำเนาที่มีด้านยาวที่สุดประมาณ 1,024 พิกเซล และผลการเติมจะถูกผสมกลับเข้าในรูปเต็มของคุณเฉพาะภายในเครื่องหมายเท่านั้น ส่วนที่เหลือของรูปจะไม่ถูกแตะต้อง
โทนสีถูกปรับให้สม่ำเสมอ ขั้นตอนคงที่จะยืดโทนสว่างและมืดของรูปที่ซีดจาง ทำให้ส่วนที่มืดที่สุดมืดและส่วนที่สว่างที่สุดสว่าง ขั้นตอนนี้ไม่เปลี่ยนสีอมของรูป ถ้าคุณปิดสีในขั้นตอนที่ 7 รูปซีเปียหรือรูปโทนน้ำตาลจะคงโทนไว้
โมเดลปรับภาพทำความสะอาดและขยาย โมเดลทำงานกับรายละเอียดความสว่างและความมืดของรูป ได้แก่ เกรน ความเบลอ และรอยบล็อกจากการบีบอัด มันทำให้รูปกว้างขึ้น 4 เท่าและสูงขึ้น 4 เท่า สีของรูปถูกขยายด้วยวิธีปรับขนาดมาตรฐานแล้วนำกลับมาใส่ ดังนั้นโมเดลนี้จึงไม่เปลี่ยนสี
เพิ่มสี ถ้าคุณต้องการ สำหรับรูปขาวดำหรือซีเปีย โมเดลสีจะแนะนำสี โดยทำงานจากรูปที่เติมและปรับโทนแล้ว จากนั้นสีจะถูกนำมารวมกับผลลัพธ์ที่ขยายแล้ว เพื่อให้ได้ขนาดเต็ม สีเปิดอยู่โดยค่าเริ่มต้นสำหรับรูปที่ไม่มีสี และปิดอยู่สำหรับรูปที่มีสีอยู่แล้ว และมีสวิตช์เปิดปิดให้ใช้ แถบ “ความเข้มของสี” ทำให้สีอ่อนลงหรือสดขึ้น และผลลัพธ์เปลี่ยนทันทีเมื่อคุณเลื่อน สีเป็นการคาดเดาของโมเดล ไม่ใช่สีจริง เปลี่ยนภาพขาวดำเป็นสี มีเคล็ดลับเพื่อให้สีดีขึ้น
คุณเปรียบเทียบและบันทึก คุณดูต้นฉบับและผลลัพธ์ได้ แล้วบันทึกรูปเป็นไฟล์ PNG ใหม่ ตั้งชื่อตามรูปของคุณและเพิ่ม “-restored” ต่อท้าย ไฟล์ต้นฉบับของคุณจะไม่เปลี่ยน ไฟล์ใหม่ไม่เก็บรายละเอียดที่ซ่อนอยู่ของต้นฉบับ เช่น วันที่ถ่ายหรือกล้องที่ใช้

ใช้เวลานานแค่ไหน

ขึ้นอยู่กับอุปกรณ์และขนาดของรูป บนเบราว์เซอร์ที่รองรับ WebGPU เครื่องมือจะใช้ชิปกราฟิกของอุปกรณ์ ซึ่งมักเร็วกว่า บนเบราว์เซอร์อื่นจะใช้โปรเซสเซอร์หลัก ซึ่งช้ากว่า รูปแรกต้องรอให้โมเดลดาวน์โหลดเสร็จด้วย

โมเดล

เราฝึกโมเดลด้วยตัวเอง จากรูปเก่าที่ Flickr ระบุว่าเป็นสาธารณสมบัติ CC0 (ไม่มีการสงวนสิทธิ์) หรือ “no known copyright restrictions” (Flickr Commons) ซึ่งรวบรวมจากชุดข้อมูล Megalith-10M โมเดลแต่ละตัวเรียนรู้บางส่วนจากโมเดลโอเพนซอร์สที่ใหญ่กว่า ซึ่งใช้เป็นโมเดลอ้างอิงระหว่างการฝึก เราเผยแพร่เฉพาะโมเดลที่เราฝึกเองเท่านั้น โมเดลอ้างอิงไม่ได้เป็นส่วนหนึ่งของเว็บไซต์

เครื่องหมายรอยขีดข่วนและฝุ่น

ฝึกโดยเราด้วยรูปเก่าที่มีความเสียหายจำลองขึ้นโดยตั้งใจ และด้วยรูปที่เสียหายจริงซึ่งถูกทำเครื่องหมายโดยตัวตรวจจับรอยขีดข่วนจาก “Bringing Old Photos Back to Life” (การทำให้รูปเก่ากลับมามีชีวิต) ของ Microsoft (สัญญาอนุญาต MIT) ใช้เป็นโมเดลอ้างอิงระหว่างการฝึก

การเติมบริเวณที่มีเครื่องหมาย

ฝึกโดยเราโดยใช้ LaMa (สัญญาอนุญาต Apache-2.0) เป็นโมเดลอ้างอิงระหว่างการฝึก

สี

โมเดลสีของเรา ตัวเข้ารหัส (encoder) เริ่มจากโมเดล MobileNetV3-Large ที่ฝึกด้วย ImageNet ใน torchvision (สัญญาอนุญาต BSD-3-Clause)
ฝึกโดยเราโดยใช้ DDColor (สัญญาอนุญาต Apache-2.0) เป็นโมเดลอ้างอิงระหว่างการฝึก

โมเดลปรับภาพ (ลดเกรนและความเบลอ ขยาย 4 เท่า)

โครงสร้างเครือข่ายคือ SRVGGNetCompact ซึ่งเผยแพร่พร้อมกับ Real-ESRGAN โดย Xintao Wang และคณะ (สัญญาอนุญาต BSD-3-Clause)
ฝึกโดยใช้โมเดล Real-ESRGAN เป็นโมเดลอ้างอิงระหว่างการฝึก ได้แก่ general-x4v3 พร้อมโมเดลลดสัญญาณรบกวน (denoise) ที่ความเข้ม 0.5 (BSD-3-Clause, © 2021 Xintao Wang) และ RealESRGAN_x4plus (สัญญาอนุญาตเดียวกัน) ในขั้นการฝึกก่อนหน้า โมเดลของเราเรียนรู้ให้ได้ผลใกล้เคียงกับโมเดลเหล่านั้นบนรูปของเรา

ซอฟต์แวร์ที่รันโมเดล

ONNX Runtime Web โดย Microsoft (สัญญาอนุญาต MIT)

โมเดลของเรา

โมเดลซ่อมแซมบนเว็บไซต์นี้ฝึกโดยเราเอง เราไม่อนุญาตให้คัดลอก สกัด หรือนำไปใช้ซ้ำ สัญญาอนุญาตที่ระบุไว้ที่นี่เป็นของโครงการโอเพนซอร์สที่เราระบุชื่อไว้ และโมเดลของเราเองไม่ได้เผยแพร่ภายใต้สัญญาอนุญาตเหล่านั้น

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

ข้อจำกัด

ซ่อมสิ่งที่หายไปไม่ได้ มุมที่ถูกฉีกหาย รูขาด และรอยขีดข่วนหนักที่พาดผ่านใบหน้า ไม่เหลืออะไรให้ใช้เป็นฐาน
มันประมาณรายละเอียดเล็ก ๆ เมื่อขยายรูป มันเติมเกรนและพื้นผิวจากรูปเก่าที่มันเรียนรู้มา ใบหน้าและตัวหนังสืออาจเรียบกว่าหรือต่างจากต้นฉบับเล็กน้อย ตรวจสอบก่อนพิมพ์
เครื่องหมายรอยขีดข่วนเป็นเพียงข้อเสนอแนะ โมเดลความเสียหายพลาดฝุ่นและรอยขีดข่วนเล็ก ๆ บางจุด และไม่รวมใบหน้า ตรวจเครื่องหมายสีแดงก่อนเติม มันไม่ลบคราบ
ส่วนที่เติมเป็นการเดา โมเดลเติมวาดสิ่งที่น่าจะเคยอยู่ตรงนั้น จากบริเวณรอบ ๆ ตรวจใบหน้า ดวงตา และตัวหนังสือ
สีเป็นการคาดเดา โมเดลสีไม่รู้สีจริง เสื้อผ้าหรือรถอาจมีสีต่างออกไป ทำให้สีอ่อนลงด้วยแถบเลื่อน หรือปิดสี
มันไม่ใช่สำเนาของต้นฉบับ ผลลัพธ์คือภาพใหม่ที่สร้างจากรูปของคุณ เก็บรูปพิมพ์ต้นฉบับและไฟล์สแกนแรกของคุณไว้ หอจดหมายเหตุแห่งชาติสหรัฐแนะนำให้เก็บต้นฉบับหลังจากแปลงเป็นดิจิทัล

แหล่งที่มา: National Archives, “Digitizing Family Papers and Photographs” (ภาษาอังกฤษ). https://www.archives.gov/preservation/family-archives/digitizing.html (อ่านเมื่อ 4 พฤศจิกายน 2569)