超简单操作！上传图片→画几笔→点击修复，lama全搞定

超简单操作！上传图片→画几笔→点击修复，lama全搞定

1. 引言：图像修复的极简时代

在数字图像处理领域，图像修复（Image Inpainting）是一项极具实用价值的技术。无论是去除水印、移除干扰物体，还是修复老照片中的划痕与瑕疵，传统方法往往依赖复杂的建模或手动修补，耗时且对用户技术要求高。

而随着深度学习的发展，尤其是LaMa（Large Mask Inpainting）模型的提出，图像修复进入了“一键式”操作的新阶段。结合快速傅立叶卷积（FFC），LaMa 能够以极小的参数量实现高质量的大区域修复，真正做到了“感知全局、修复自然”。

本文将围绕一个基于 LaMa 的二次开发 WebUI 镜像——fft npainting lama重绘修复图片移除图片物品 二次开发构建by科哥，详细介绍其使用流程、核心技术原理及工程实践技巧，帮助开发者和普通用户快速上手并高效应用。

2. 系统概览：WebUI 架构与功能设计

2.1 整体架构解析

该镜像封装了完整的图像修复服务栈，包含以下核心组件：

• 前端界面：基于 Gradio 构建的可视化 WebUI
• 后端服务：Python Flask + PyTorch 推理引擎
• 模型核心：预训练的 LaMa 模型 + FFC 卷积模块
• 文件管理：自动输出保存、时间戳命名机制

整个系统运行于容器化环境中，用户只需启动脚本即可访问本地 Web 服务，无需关心环境依赖与模型部署细节。

2.2 功能亮点总结

这种“零代码+低门槛”的设计，使得非专业用户也能轻松完成高质量图像编辑任务。

3. 使用指南：四步完成图像修复

3.1 启动服务

进入项目目录并执行启动脚本：

cd /root/cv_fft_inpainting_lama bash start_app.sh

成功启动后会提示：

===================================== ✓ WebUI已启动 访问地址: http://0.0.0.0:7860 本地访问: http://127.0.0.1:7860 按 Ctrl+C 停止服务 =====================================

在浏览器中输入服务器 IP 地址加端口:7860即可打开 WebUI。

3.2 上传图像

系统支持三种方式上传原始图像：

1. 点击上传区选择文件
2. 直接拖拽图像到指定区域
3. 复制图像后使用 Ctrl+V 粘贴

支持格式：PNG、JPG、JPEG、WEBP
推荐分辨率：≤2000px，过大图像可能导致内存溢出或延迟增加

3.3 标注修复区域

这是最关键的一步。使用左侧工具栏的画笔工具在需要修复的区域涂抹白色遮罩（mask）。

操作要点：

• 白色区域 = 待修复区域
• 可通过滑块调节画笔大小，精细控制边缘
• 若误标，可用橡皮擦工具清除
• 建议略扩大标注范围，确保完全覆盖目标内容

例如要去除人物手中的杂物，只需用画笔将其完整涂白即可。

3.4 执行修复

点击“🚀 开始修复”按钮，系统将自动执行以下流程：

1. 图像预处理（归一化、通道转换）
2. mask 反向并与原图拼接为 4 通道输入
3. 经过下采样 → FFC 主干网络 → 上采样重建
4. 输出修复结果并保存至本地

处理完成后，右侧将显示修复后的图像，并提示保存路径：

完成！已保存至: /root/cv_fft_inpainting_lama/outputs/outputs_20260105142312.png

4. 技术原理解析：LaMa 为何如此强大？

4.1 核心挑战：感受野不足

传统 CNN 在图像修复任务中面临一个根本问题：感受野有限。当需要填充大面积缺失区域（如整块文字或物体）时，局部上下文信息不足以支撑合理的语义补全。

LaMa 论文《Resolution-robust Large Mask Inpainting with Fourier Convolutions》指出，要实现高质量大掩码修复，必须让网络具备“看到整张图”的能力。

4.2 快速傅立叶卷积（FFC）机制

LaMa 的突破在于引入了Fast Fourier Convolution (FFC)，它允许网络在浅层就获得全局视野。

FFC 工作流程如下：

1. 输入张量被分为两部分：
   • 局部分支（Local Path）：常规空间卷积提取细节
   • 全局分支（Global Path）：经 FFT 变换转至频域处理
2. 在频域中对实部进行轻量卷积操作
3. 逆 FFT 还原为空间域特征
4. 两路特征融合输出

import torch import torch.fft as fft def ffc_global_path(x): # x: [B, C, H, W] freq = fft.rfft2(x) # 转换到频域，形状[B, C, H, W//2+1] # 对实部进行卷积（仅处理一半频谱） real_part = freq.real conv_real = torch.nn.Conv2d(...)(real_part) # 重新组合复数 new_freq = torch.complex(conv_real, freq.imag) # 逆变换回空间域 reconstructed = fft.irfft2(new_freq, s=(H, W)) return reconstructed

注：由于只处理实部，计算效率提升约 40%，同时保持全局建模能力。

4.3 模型输入构造

LaMa 的输入是4 通道张量，由以下组成：

• 前 3 通道：原始图像 × (1 - mask)，即 masked image
• 第 4 通道：mask 本身（二值图）

这样模型既能“看到”可见区域的内容，又能明确知道哪些地方需要修复。

4.4 损失函数设计

LaMa 采用多尺度对抗训练策略，主要包括：

• 感知损失（Perceptual Loss）：基于 VGG 提取高层特征差异
• PatchGAN 判别器损失：判断局部 patch 是否真实
• 梯度惩罚项（Gradient Penalty）：稳定 GAN 训练过程

这些损失共同作用，使修复结果在纹理、结构和颜色上都高度逼真。

5. 实践技巧与高级用法

5.1 提升修复质量的关键技巧

技巧一：精准标注 + 适度外扩

不要仅仅沿着物体边缘描边，建议向外扩展 2–5 像素，给模型留出羽化空间。否则可能出现“锯齿状”残留。

技巧二：分区域多次修复

对于多个独立目标（如多个水印），建议逐个修复：

1. 修复第一个区域
2. 下载中间结果
3. 重新上传继续修复下一个

避免一次性标注过多区域导致上下文混乱。

技巧三：优先使用 PNG 格式

JPG 存在压缩伪影，可能影响模型判断。PNG 无损格式能提供更干净的输入信号。

5.2 常见应用场景实战

场景一：去除水印

步骤：

1. 上传带水印图像
2. 用大画笔完整覆盖水印区域
3. 点击修复
4. 如有残影，微调 mask 后重复一次

提示：半透明水印需适当扩大标注面积

场景二：移除前景物体

适用案例：合影中某人临时入镜、背景中垃圾桶等干扰物。

操作建议：

• 小物体直接一次性修复
• 大物体（如车辆）建议分块处理
• 修复后检查地面/墙面是否出现扭曲

场景三：修复老照片划痕

针对扫描的老照片常见细线划痕：

1. 使用小画笔沿划痕轨迹涂抹
2. 可配合放大功能精确定位
3. 通常一次即可消除

效果优势：LaMa 对规则线条具有很强的推断能力

场景四：删除图像内文字

适用于海报、截图中的冗余文字：

• 大段文字建议分段标注
• 字间距较密时整体框选
• 注意字体下方阴影也应包含在 mask 中

6. 性能表现与限制分析

6.1 处理速度参考

性能瓶颈主要来自 GPU 显存带宽和模型推理延迟。若部署在消费级显卡（如 RTX 3060），建议控制输入尺寸。

6.2 当前局限性

尽管 LaMa 表现优异，但仍存在一些边界情况需要注意：

7. 总结

LaMa 凭借其创新的快速傅立叶卷积（FFC）架构和强大的全局建模能力，已成为当前最高效的图像修复方案之一。而本次介绍的 WebUI 二次开发版本，进一步降低了使用门槛，实现了“上传 → 标注 → 修复”的全流程自动化。

通过本文的详细讲解，你应该已经掌握：

• 如何快速部署并使用该镜像系统
• 图像修复的核心操作流程
• LaMa 模型背后的技术原理
• 实际应用中的优化技巧与避坑指南

无论你是设计师、摄影师，还是 AI 开发者，这套工具都能显著提升你的图像处理效率。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。