翻出一張泛黃、邊角捲曲的老照片時，你想要的其實不是「修圖」，而是把一段快要看不清的記憶重新叫回來。這件事更像請一位從沒見過原景的畫師，憑經驗替一張只剩輪廓的舊照補上細節。他畫得再好，補上去的顏色與線條也是推測，不是親眼所見。老照片修復 AI 做的正是這件事，只是把畫師換成了模型。
也因為如此，它跟你可能更熟悉的另外兩種工具很不一樣。它不是幫商品圖去背、把主體從乾淨背景裡摳出來的去背工具，也不是把數位檔案調亮調色的一般修圖軟體。它面對的是泛黃、破損、褪色、甚至整張黑白的老照片這個特定情境。原始資訊已經殘缺，很多東西根本不存在於檔案裡，只能靠模型「猜一個合理的樣子」補回去。學術界對這件事早有量化，一項發表在 MDPI Mathematics 期刊、用尼泊爾一千兩百張歷史照片訓練深度卷積神經網路的黑白上色研究顯示，模型的準確度落在 75.23%，而在真人評估「看起來自不自然」時，自然度分數只有 41.71%。換句話說，上色多半是合理的猜測，而不是把當年的真實色彩還原回來。
這也是這篇要幫你分清楚的，不同工具測起來的差別到底出在哪一種能力上，準確度和速度又各差在哪。先從最基本的問題講起，也就是這類工具實際上是在解決什麼。
老照片修復 AI 在解決什麼問題？
老照片修復和你平常用的去背、修圖，其實不是同一個層級的任務。去背工具處理的是一張乾淨的數位檔案，它要做的是把主體從背景中分離出來，物件邊緣清楚、色彩完整，難的是「切得乾不乾淨」。一般修圖軟體也是在既有的完整影像上調光影、調色調。這兩者面對的檔案，資訊都是齊全的。
老照片修復不一樣，它要同時對付三個疊在一起、彼此獨立的難題。第一個是實體損傷：刮痕、撕裂、摺痕、水漬、發霉的斑點，這些是照片這個實體物件在幾十年裡真的受過的傷。第二個是色彩劣化：泛黃、整體褪色、對比流失，讓照片看起來灰濛濛一片。第三個最特別，是黑白照片的上色，原始檔案裡根本沒有任何顏色資訊，模型得從灰階的明暗自己推測「這裡合理的顏色是什麼」。
這三件事考驗的是完全不同的能力。修破損靠的是模型能不能看懂周圍紋理、把缺的地方接回去；修色偏靠影像增強；上色則是一種機率推測，模型從大量照片裡學到「皮膚大概是什麼色、天空大概是什麼色」，再套到眼前這張灰階照上。所以一款工具在補破損上表現很穩，不代表它上色也準，這是兩套本事。
前面提到的那項尼泊爾歷史照片研究，量化的正是上色這件事有多「不確定」。模型準確度 75.23% 聽起來不低，但同一份研究裡，真人看過成果後給出的自然度評分只有 41.71%，等於接近六成的人覺得上出來的顏色不夠自然。這不是哪一家工具沒做好，而是「從灰階猜顏色」這件事本身的天花板。理解這個前提，你才不會把 AI 上色的結果當成「這就是當年真實的樣子」。
破損修補：刮痕、撕裂、污漬修不修得好？
如果你的老照片主要問題是表面受損，像一道刮痕、幾條細裂紋、角落一塊污漬，那多數修復 AI 都能處理得相當穩定。它的做法是先辨識出損傷的邊緣，判斷「這一塊跟周圍不連續、應該是傷」，再參考四周的紋理去推算被蓋住的內容，把它填回去。細小的破損周圍還有大量完整資訊可以參考，模型接得上，修完常常看不太出動過。
真正的分水嶺在損傷的面積。小範圍的刮痕、裂縫、斑點，模型有足夠的上下文可以推理；可是一旦是大面積缺失，像半張臉不見了、照片被撕掉一大塊、整片區域糊成一團，狀況就完全不同。這時候周圍已經沒有足夠的線索告訴模型「這裡原本長什麼樣」，它做的不再是還原，而是憑學過的人臉、衣物、場景「編一個合理的樣子」補上去。補出來的五官可能很像人臉，卻不一定是照片裡那個人原本的樣子。送修一張有紀念意義的照片前，這點心理準備要先有。
好在你送修之前，可以先用肉眼幫自己做個粗略判斷。把照片攤開來看損傷佔了多大比例，如果傷的是背景、衣角、邊緣這些非關鍵區域，或損傷只是散佈的細點與細線，通常修得動；但如果傷的正好蓋在臉部、手部這些「你最在意也最看得出破綻」的地方，而且缺的是一整塊，那就要有「修出來的是推測版本」的預期。掃描前先估一下損傷佔比，比修完才失望要好。
黑白照片上色，顏色是還原還是猜測？
黑白照片上色是修復裡最容易讓人誤會的一種能力，因為成果看起來很有說服力，很容易讓人以為「原來當年就是這個顏色」。實際上，模型手上只有灰階的明暗，完全沒有色彩資訊，它做的是從明暗分佈去推測「這一塊最可能是什麼顏色」，臉的位置套上常見膚色範圍、上方大片均勻的區域推成天空的藍、成片的植物推成綠。這是一種基於先驗經驗的機率判斷，不是把褪掉的顏色找回來。
也正因為是推測，同一張照片交給不同工具，上出來的顏色常常不一樣。衣服到底是深藍還是墨綠、牆面是米黃還是灰白，在灰階裡可能是很接近的明暗，模型只能各自賭一個合理值，於是結果就出現差異。這裡沒有標準答案可以對照，因為真正的原色早已不在檔案裡。
前面引的那項研究把這個現象講得很清楚。模型準確度 75.23%，但真人評的自然度只有 41.71%，代表接近六成的人覺得上出來的色調還是差了點味道。這是目前所有上色工具共同的技術上限，不是誰家特別差。
所以面對真正重要的紀念照，比較務實的做法是把上色當成一個起點，多數工具會提供讓你手動微調局部顏色的空間，你知道長輩那件外套是酒紅色，就把它改回酒紅；如果你其實更在意的是「把人看清楚」而不是「上色」，也可以選擇保留原本黑白色調、只做去雜訊與清晰化，不硬上一層不確定的顏色。
速度與處理方式，決定你能不能一次修一整本相簿
單看一張照片的處理速度，各家其實拉不開差距。多數工具修一張的時間落在 5 秒到 30 秒之間，這是同一個量級的差別，快個十幾秒，對你整體體驗的影響其實有限。真正會左右你使用感受的，不是單張快幾秒，而是它用什麼方式處理一批照片。
家庭老照片很少是「就這一張」。多半是一整個鐵盒、一整本相簿，幾十張甚至上百張要一起處理。這時候關鍵就從「單張速度」換成「能不能批次」。有些工具支援一次上傳一整批、排進佇列自動跑完，你去做別的事回來收成果；有些則只能一張一張上傳、修完下載、再傳下一張，光是重複這個動作幾十次，耗掉的時間和耐心遠比單張慢十秒多得多。
處理的形式也會影響你的體驗。有的是網頁版即時處理，開瀏覽器上傳就跑，不用安裝；有的則需要下載桌面應用程式，換來的通常是更穩定的批次能力和不受網速影響的處理速度。如果你只是偶爾修一兩張，網頁版最省事；但如果目標是把家裡整本相簿都數位化、修一輪，那批次功能和穩定的處理方式，會比單張快那幾秒重要得多。
免費額度、單次付費、訂閱制，哪種划算？
收費方式大致可以分成三種模式，先認得這三種，你才好對上自己的需求。第一種是訂閱制，按月或按週付費，用越多越攤平，適合會長期、頻繁使用的人。第二種是單次付費或點數制，買一次、用到額度用完為止，適合只是偶爾要修幾張紀念照、不想被綁定期扣款的人。第三種是免費額度，每天或每月給你固定的免費次數，門檻最低，但通常會有一些限制。
免費版最常見的限制有三類。一是成果會被打上浮水印，得付費才能拿到乾淨的檔案；二是解析度有上限，免費版只給你較小的圖，要高畫質原檔得升級；三是次數限制，一天只能修幾張，或某些進階功能鎖起來只給付費用戶。這些限制本身不是壞事，先用免費額度試修一兩張、看看成果合不合你的期待，是很合理的第一步。
比較需要留意的是一種常見的消費設計，也就是免費試用綁訂閱。有些服務要你先填付款資訊才給試用，試用期一過就自動轉成正式訂閱扣款，取消的入口又藏得比較深。註冊前先看清楚「這是純免費，還是要綁卡的試用」，如果是後者，記下自動續訂的日期，決定不續就提早取消。判斷該選哪種模式其實不難。只要是修家裡幾張老照片，免費額度或單次付費通常就夠；要處理整個相簿或會長期用，才需要考慮訂閱。
老照片修復前，先確認這幾件事
在把照片丟進任何工具之前，有幾件事先確認好，能直接影響修復品質，也能少一些日後的懊惱。
第一件是掃描或翻拍的解析度。原始檔案的畫質，就是修復效果的天花板。AI 能重建的細節，來自它在現有畫素裡讀到的線索；如果你給它的是一張模糊、低解析度的翻拍，它可補的資訊本來就少，成果自然有限。有條件的話，用平台式掃描器以較高解析度掃，會比隨手用手機翻拍好很多；一次把原檔掃到夠清楚，勝過事後反覆重修。
第二件是上傳雲端的隱私。家庭老照片幾乎都有真實人臉、家人、私人場景，這些是很個人的影像。上傳到線上工具前，值得花一分鐘看一下服務條款：它會不會保留你的照片、保留多久、會不會拿去訓練自家模型。判斷重點就看兩件事：有沒有明確聲明處理完就刪除或保留期限，以及有沒有把使用者上傳內容用於模型訓練。講不清楚的，你就自己拿捏要不要傳上去。
第三件是保留原始檔案。修復產生的是一個「新檔案」，不是把你原本那張改好。AI 是重新生成了一張，原稿並沒有被覆蓋。所以務必把掃描出來的原始檔另存一份、別動它。萬一某次修復的結果你不滿意，或想換個工具、換個上色版本重來，手上還有那張沒被動過的原檔可以重新開始，這是你最重要的底牌。
老照片修復 AI 能做的，是讓褪色、受損的記憶重新看得清楚，把糊掉的臉、發黃的畫面拉回可辨識的樣子。但它終究不是時光機，補上去的細節、上出來的顏色，本質上都是模型的合理猜測，不是當年的真實。所以面對真正重要的那幾張紀念照，把 AI 修復當成第一步，而不是最後的答案。讓它先還你一個看得清的版本，再靠手動微調把你記得的細節校回來，必要時多留幾個版本互相比對。看得清，和看得準，中間那段差距，值得你多花一點心思去補。