10 AI untuk Restorasi Foto Terbaik 2026, Bisa Bikin Foto Lama dan Rusak Kembali Tajam

EKSPRESPOST.COM – Foto keluarga yang sudah menguning, wajah yang mulai buram, hingga potret lama penuh goresan kini tidak selalu harus diperbaiki secara manual lewat software editing yang rumit.

Perkembangan artificial intelligence atau AI membuat proses restorasi foto semakin mudah. Sejumlah model AI kini mampu mengenali wajah, mengurangi blur, memperbaiki detail, menghapus noise, merekonstruksi bagian foto yang rusak, bahkan memberi warna pada foto hitam-putih.

Menariknya, sebagian teknologi tersebut bersifat open source dan bisa digunakan gratis. Namun setiap tools memiliki spesialisasi berbeda. Ada yang sangat kuat untuk wajah, ada yang cocok memperbaiki keseluruhan foto, sementara lainnya lebih fokus pada colorization.

Berikut sejumlah AI photo restoration yang menarik untuk dipertimbangkan pada 2026.

Apa Itu AI Photo Restoration?

AI photo restoration adalah teknologi berbasis kecerdasan buatan yang digunakan untuk memperbaiki foto lama, rusak, buram, atau memiliki resolusi rendah.

Sistem AI mempelajari pola visual dari sejumlah besar gambar berkualitas tinggi. Ketika menerima foto yang rusak, model akan menganalisis bagian yang masih tersedia kemudian memperkirakan detail visual yang paling mungkin untuk memperbaiki gambar tersebut.

Kemampuan setiap model tidak selalu sama.

Beberapa fungsi yang umum ditemukan antara lain:

• mempertajam wajah yang buram;
• mengurangi noise;
• memperbaiki bekas kompresi;
• menghilangkan goresan dan noda;
• melakukan upscaling resolusi;
• memperbaiki warna yang pudar;
• memberi warna pada foto hitam-putih;
• hingga merekonstruksi bagian gambar yang rusak.

Karena itu, memilih AI restorasi foto sebaiknya disesuaikan dengan kondisi foto yang ingin diperbaiki.

1. GFPGAN, Cocok untuk Memperjelas Wajah pada Foto Lama

GFPGAN menjadi salah satu nama yang cukup populer dalam kategori AI face restoration.

Model ini dikembangkan untuk memperbaiki wajah pada foto yang mengalami penurunan kualitas, misalnya karena blur, noise, kompresi, maupun usia foto.

GFPGAN memanfaatkan teknologi generative facial prior untuk memperkirakan kembali detail wajah.

Bagian seperti mata, rambut, bentuk wajah, hingga beberapa detail kecil dapat dibuat lebih jelas.

Keunggulan GFPGAN adalah pengguna tidak harus mengetahui secara pasti jenis kerusakan foto terlebih dahulu.

Namun ada satu hal yang perlu diperhatikan.

GFPGAN pada dasarnya sangat berorientasi pada wajah. Jika kerusakan berada pada latar belakang, pakaian, bangunan, atau objek lain, pengguna biasanya membutuhkan tools tambahan.

Salah satu kombinasinya adalah GFPGAN untuk wajah dan Real-ESRGAN untuk meningkatkan kualitas bagian foto secara keseluruhan.

Cocok untuk: foto keluarga, potret lama, foto wajah buram, dan foto resolusi rendah.

2. CodeFormer, Restorasi Wajah dengan Kontrol Kemiripan

CodeFormer menawarkan pendekatan berbeda.

Alih-alih hanya mengejar ketajaman, model ini memberikan pengguna ruang untuk menyeimbangkan hasil restorasi dengan kemiripan wajah asli.

Hal tersebut penting karena salah satu risiko restorasi foto berbasis AI adalah munculnya detail baru yang sebenarnya tidak terdapat pada foto asli.

Semakin agresif AI melakukan rekonstruksi, semakin besar kemungkinan wajah terlihat lebih tajam tetapi sedikit berubah.

CodeFormer memiliki parameter fidelity yang memungkinkan pengguna menentukan seberapa dekat hasil akhir harus mempertahankan bentuk dari gambar awal.

Karakter tersebut membuat CodeFormer menarik untuk restorasi foto keluarga atau dokumentasi historis yang membutuhkan tingkat kemiripan lebih tinggi.

Cocok untuk: foto arsip, foto keluarga lama, potret wajah dengan prioritas mempertahankan identitas.

3. SUPIR, Pilihan untuk Restorasi Keseluruhan Gambar

Jika GFPGAN dan CodeFormer banyak bermain pada area wajah, SUPIR lebih menarik bagi pengguna yang ingin memperbaiki keseluruhan gambar.

Teknologi ini menggunakan pendekatan diffusion model untuk menghasilkan restorasi foto dengan detail tinggi.

SUPIR dapat bekerja pada wajah sekaligus berbagai elemen lain dalam gambar.

Misalnya:

bangunan, lanskap, tekstur pakaian, benda, pepohonan, hingga latar belakang.

Kemampuan tersebut membuat SUPIR cukup menarik untuk foto lama yang kerusakannya tidak hanya terjadi di wajah.

Meski begitu, penggunaan model generatif semacam ini tetap membutuhkan kehati-hatian.

AI bisa menghasilkan detail yang terlihat realistis, tetapi bukan berarti setiap detail baru tersebut benar-benar sama dengan kondisi asli ketika foto diambil.

Untuk kebutuhan dokumentasi sejarah atau jurnalistik, hasil AI sebaiknya tetap diberi penjelasan bahwa gambar telah direstorasi secara digital.

Cocok untuk: foto pemandangan lama, dokumentasi kota, foto keluarga dengan kerusakan menyeluruh.

4. Bringing Old Photos Back to Life, Fokus Memperbaiki Kerusakan Fisik

Model Bringing Old Photos Back to Life dirancang secara khusus untuk menangani foto lawas yang mengalami kerusakan fisik.

Contohnya seperti:

• goresan;
• retakan;
• lipatan;
• kerusakan permukaan;
• hingga bagian wajah yang menurun kualitasnya.

Teknologi yang dikembangkan Microsoft Research tersebut menggunakan beberapa tahap pemrosesan.

Foto terlebih dahulu diperbaiki secara umum. Setelah itu sistem mendeteksi wajah, meningkatkan detail wajah, kemudian menggabungkannya kembali dengan gambar yang sudah direstorasi.

Pendekatan tersebut membuatnya relevan untuk digitalisasi album keluarga maupun dokumentasi cetak lama.

Cocok untuk: foto cetak lama yang tergores, retak, kusam, atau mengalami kerusakan fisik.

5. DDColor, AI untuk Memberi Warna pada Foto Hitam-Putih

Tidak semua restorasi berarti memperbaiki goresan.

Sebagian pengguna justru ingin menghidupkan kembali foto hitam-putih dengan menambahkan warna.

DDColor menjadi salah satu teknologi yang dirancang untuk tugas tersebut.

AI ini menganalisis elemen dalam foto kemudian memperkirakan warna yang secara visual dianggap sesuai.

Hasilnya dapat digunakan pada foto keluarga, dokumentasi sejarah, potret klasik, hingga arsip visual lama.

Namun perlu dipahami bahwa AI colorization bukan bukti warna historis yang sebenarnya.

Warna pakaian, kendaraan, bangunan, maupun benda tertentu merupakan hasil prediksi model.

Karena itu, untuk dokumentasi sejarah, hasil colorization sebaiknya diberi label sebagai visual yang telah direkonstruksi dengan AI.

Cocok untuk: foto hitam-putih, dokumentasi lama, dan proyek visual sejarah.

6. SwinIR, Memulihkan Detail Tekstur dan Meningkatkan Resolusi

SwinIR merupakan model image restoration berbasis Swin Transformer.

Teknologinya tidak hanya digunakan untuk memperbesar resolusi gambar, tetapi juga dapat membantu mengurangi noise dan artefak kompresi.

Keunggulannya terletak pada kemampuan mempertahankan atau memulihkan detail tekstur.

Contohnya:

• tekstur kain;
• dedaunan;
• pola bangunan;
• permukaan kayu;
• dan detail latar belakang.

SwinIR dapat menjadi pasangan yang menarik untuk model restorasi wajah.

Alur kerja yang memungkinkan adalah memperbaiki wajah lebih dahulu menggunakan GFPGAN atau CodeFormer, kemudian meningkatkan detail keseluruhan gambar menggunakan SwinIR.

Cocok untuk: foto lama dengan detail lingkungan yang ingin dipertahankan.

7. NAFNet, Fokus Mengatasi Noise dan Blur

Foto yang terlihat buruk tidak selalu disebabkan oleh kerusakan fisik.

Dalam sejumlah kasus, gambar mengalami noise atau blur akibat kamera, pemindaian, maupun kondisi pencahayaan.

NAFNet dirancang untuk berbagai tugas image restoration, termasuk mengurangi noise dan blur.

Teknologi seperti ini berguna ketika pengguna tidak membutuhkan rekonstruksi wajah yang terlalu agresif, tetapi hanya ingin membuat gambar tampak lebih bersih dan tajam.

Cocok untuk: foto blur ringan, hasil scan kurang bersih, dan foto dengan noise tinggi.

8. DeOldify, Populer untuk Mewarnai Foto dan Video Lama

Sebelum sejumlah model colorization generasi baru bermunculan, DeOldify sudah dikenal sebagai salah satu proyek AI untuk mewarnai foto lama.

Teknologi ini menggunakan pendekatan berbasis GAN untuk memperkirakan warna gambar hitam-putih.

Karakter hasil DeOldify cenderung berbeda dibanding sejumlah AI colorization modern.

Pada beberapa gambar, warnanya dapat terasa lebih lembut dan tidak terlalu mencolok.

Selain gambar diam, proyek DeOldify juga pernah banyak digunakan untuk colorization video lama.

Cocok untuk: foto sejarah, dokumentasi klasik, serta eksperimen colorization video.

9. VQFR, Alternatif untuk Wajah yang Rusak Berat

Bagaimana jika wajah dalam foto sudah sangat rusak?

VQFR menjadi salah satu alternatif yang bisa dicoba.

Model ini menggunakan mekanisme vector-quantized codebook untuk mencari representasi wajah berkualitas tinggi yang paling sesuai dengan input yang rusak.

Pendekatannya mampu menghasilkan wajah lebih jelas bahkan ketika informasi pada gambar awal cukup terbatas.

Namun konsekuensinya juga harus diperhatikan.

Semakin sedikit informasi yang tersisa dari wajah asli, semakin besar pula ruang bagi AI untuk memperkirakan atau menciptakan detail baru.

Artinya, hasil yang terlihat bagus belum tentu sepenuhnya identik dengan orang dalam foto asli.

Cocok untuk: foto wajah yang mengalami kerusakan sangat berat.

10. Topaz Photo, Opsi Komersial untuk Pengguna Profesional

Bagi pengguna yang tidak ingin memasang dan mengatur model open source sendiri, Topaz menjadi alternatif komersial.

Produk Topaz menawarkan berbagai fungsi berbasis AI dalam antarmuka yang lebih ramah pengguna.

Topaz Photo, misalnya, menyediakan sejumlah fitur seperti:

• Dust & Scratch;
• Denoise;
• Sharpen;
• Upscale;
• Recover Faces;
• Balance Color;
• Healing Brush.

Model bisnisnya berbeda dengan software open source karena pengguna perlu berlangganan atau memilih produk sesuai kebutuhan.

Berdasarkan laman harga resmi Topaz yang diakses pada Agustus 2026, perusahaan menawarkan Topaz Studio serta sejumlah aplikasi foto secara terpisah. Harga dapat berubah mengikuti paket dan promosi yang sedang berlaku.

Cocok untuk: fotografer, studio kreatif, pengguna profesional, serta pengguna yang menginginkan workflow lebih praktis.

Perbandingan Singkat AI Restorasi Foto

Mana AI Restorasi Foto yang Paling Bagus?

Jawabannya bergantung pada masalah yang terdapat pada foto.

Jika hanya bagian wajah yang buram, GFPGAN atau CodeFormer layak menjadi pilihan awal.

Apabila keseluruhan gambar rusak atau membutuhkan peningkatan detail besar, SUPIR dapat dipertimbangkan.

Untuk foto penuh goresan dan kerusakan fisik, Bringing Old Photos Back to Life memiliki pendekatan yang lebih spesifik.

Sementara itu, pengguna yang ingin memberi warna pada foto hitam-putih dapat mencoba DDColor atau DeOldify.

Jika menginginkan aplikasi dengan antarmuka lebih sederhana tanpa perlu mengatur model open source, solusi komersial seperti Topaz Photo lebih praktis.

Hati-Hati, AI Bisa “Mengarang” Detail Foto

Kemampuan AI memperbaiki gambar memang semakin mengesankan.

Namun teknologi restorasi bukan mesin waktu.

Model generatif bekerja dengan memperkirakan bentuk yang kemungkinan sesuai berdasarkan data yang pernah dipelajarinya.

Pada foto yang kerusakannya ringan, perubahannya mungkin tidak terlalu jauh.

Masalah mulai muncul ketika wajah atau objek asli sudah hampir tidak terlihat.

AI dapat menciptakan mata, rambut, tekstur kulit, warna, atau bentuk objek yang tampak sangat meyakinkan, padahal tidak semuanya berasal dari informasi asli dalam foto.

Karena itu, pengguna sebaiknya menyimpan file scan asli sebelum melakukan restorasi.

Untuk foto dokumentasi sejarah, penelitian, jurnalistik, maupun arsip resmi, versi hasil restorasi juga sebaiknya diberi keterangan yang jelas.

Cara Mendapatkan Hasil Restorasi Foto AI yang Lebih Baik

Ada beberapa langkah sederhana agar hasil AI lebih optimal.

Pertama, pindai foto pada resolusi setinggi mungkin. AI akan bekerja lebih baik jika input memiliki informasi visual yang cukup.

Kedua, hindari kompresi berulang. Gunakan PNG atau JPEG berkualitas tinggi ketika memungkinkan.

Ketiga, jangan langsung menggunakan proses restorasi paling agresif.

Bandingkan beberapa tingkat enhancement dan pilih hasil yang paling mirip dengan wajah atau kondisi asli.

Keempat, gunakan lebih dari satu tools apabila diperlukan.

Satu foto dapat diproses menggunakan model restorasi wajah, kemudian dilanjutkan menggunakan upscaler atau denoiser untuk meningkatkan kualitas bagian lainnya.

Terakhir, selalu simpan foto asli.

Versi hasil AI sebaiknya menjadi salinan baru, bukan menggantikan arsip digital utama.

FAQ AI Restorasi Foto

Apakah AI bisa memperbaiki foto lama yang rusak?

Bisa. AI dapat membantu mengurangi blur, noise, goresan, kerusakan fisik, meningkatkan resolusi, hingga memperjelas wajah. Namun kualitas hasil bergantung pada seberapa banyak informasi asli yang masih tersisa.

Apakah ada AI restorasi foto gratis?

Ada. Sejumlah proyek seperti GFPGAN, CodeFormer, SwinIR, DDColor, dan beberapa model lainnya tersedia sebagai proyek open source. Cara penggunaan dan lisensinya dapat berbeda untuk masing-masing model.

AI apa yang bagus untuk memperjelas wajah?

GFPGAN dan CodeFormer termasuk dua model yang banyak digunakan untuk face restoration.

Apakah foto hitam-putih bisa dibuat berwarna menggunakan AI?

Bisa. Model seperti DDColor dan DeOldify dirancang untuk melakukan colorization foto.

Apakah warna dari AI pasti sama dengan warna aslinya?

Tidak. Warna merupakan hasil prediksi AI. Untuk arsip sejarah, hasil colorization sebaiknya tidak dianggap sebagai representasi warna asli tanpa bukti tambahan.

Apakah restorasi foto dengan AI mengubah wajah?

Bisa terjadi, khususnya pada foto yang sangat buram atau rusak. AI mungkin menciptakan detail baru berdasarkan prediksi. Karena itu, pengguna sebaiknya membandingkan hasil restorasi dengan foto asli.

AI Membuka Cara Baru Menyelamatkan Foto Lama

Kemajuan artificial intelligence membuat restorasi foto tidak lagi hanya menjadi pekerjaan editor profesional.

Pengguna biasa kini dapat memperjelas kembali potret keluarga yang buram, memperbaiki foto lama yang penuh goresan, meningkatkan resolusi gambar, hingga memberikan warna pada dokumentasi hitam-putih.

Namun kualitas visual tetap bukan satu-satunya pertimbangan.

Untuk foto dengan nilai sejarah atau dokumentasi penting, mempertahankan keaslian informasi harus tetap menjadi prioritas.

AI paling ideal diposisikan sebagai alat bantu restorasi, bukan sebagai pengganti arsip foto asli.

Sumber referensi: AIFreeForever, dokumentasi resmi GFPGAN dan CodeFormer, serta informasi produk Topaz Labs. Data fitur dan harga dapat berubah mengikuti pembaruan pengembang.