开源图像修复模型fft npainting lama实战指南：支持二次开发-开发者社区

开源图像修复模型fft npainting lama实战指南：支持二次开发

1. 引言：为什么你需要了解这个图像修复工具？

你有没有遇到过这样的情况：一张珍贵的照片里有个不想要的物体，或者截图上的水印怎么都去不掉？以前这些事得靠PS高手花半小时慢慢修，但现在，有个开源神器能帮你几秒钟搞定——fft npainting lama。

这不是一个简单的AI玩具，而是一个真正可以落地使用的图像修复系统。它基于先进的深度学习技术，结合FFT频域处理与lama（LaMa: Image Inpainting with Transformers）模型，能够智能地“脑补”被遮挡区域的内容，实现自然无缝的修复效果。

更重要的是，这套系统不仅提供了开箱即用的WebUI界面，还完全支持二次开发。无论你是想把它集成到自己的项目中，还是想基于源码做功能扩展，都能轻松上手。

本文将带你从零开始，一步步部署、使用，并深入理解其核心机制。我们还会分享一些实用技巧和常见问题解决方案，确保你不仅能用起来，还能玩得转。

2. 快速部署与启动

2.1 环境准备

本项目运行在Linux环境下，推荐使用Ubuntu 20.04及以上版本。你需要提前安装好以下基础环境：

Python 3.8+
PyTorch 1.12+
CUDA驱动（如有GPU）
Git、pip等常用工具

如果你使用的是CSDN星图平台提供的AI镜像环境，可以直接跳过依赖安装步骤，系统已预装所有必要组件。

2.2 克隆项目并启动服务

打开终端，执行以下命令：

cd /root git clone https://github.com/kege/cv_fft_inpainting_lama.git cd cv_fft_inpainting_lama bash start_app.sh

看到如下提示表示服务已成功启动：

===================================== ✓ 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 =====================================

此时，在浏览器中输入你的服务器IP加端口http://<your_ip>:7860即可进入操作界面。

小贴士：如果无法访问，请检查防火墙是否开放了7860端口，或确认服务是否正常运行。

3. WebUI界面详解

3.1 主界面布局

整个界面分为左右两大区域，设计简洁直观：

┌─────────────────────────────────────────────────────┐ │ 🎨 图像修复系统 │ │ webUI二次开发 by 科哥 | 微信：312088415 │ ├──────────────────────┬──────────────────────────────┤ │ │ │ │ 🎨 图像编辑区 │ 📷 修复结果 │ │ │ │ │ [图像上传/编辑] │ [修复后图像显示] │ │ │ │ │ [🚀 开始修复] │ 📊 处理状态 │ │ [🔄 清除] │ [状态信息显示] │ └──────────────────────┴──────────────────────────────┘

左侧是交互式编辑区，右侧实时展示修复结果。

3.2 功能模块说明

左侧：图像编辑区

图像上传区域：支持点击上传、拖拽上传、Ctrl+V粘贴三种方式
画笔工具：用于标记需要修复的区域（涂白部分）
橡皮擦工具：修正标注错误
操作按钮
- 🚀 开始修复：触发模型推理
- 🔄 清除：重置当前操作

右侧：结果展示区

显示最终修复后的完整图像
实时输出处理状态（如“执行推理...”、“完成！”）
自动显示保存路径，方便后续查找

4. 使用流程全解析

4.1 第一步：上传图像

支持格式包括 PNG、JPG、JPEG、WEBP。建议优先使用PNG格式以保留最佳画质。

你可以通过以下任意一种方式上传：

点击上传区域选择文件
直接将图片拖入编辑框
复制图片后在页面内按下 Ctrl+V 粘贴

上传成功后，图像会自动加载到画布中。

4.2 第二步：标注修复区域

这是最关键的一步。系统依靠你标注的“mask”来判断哪些地方需要修复。

操作步骤：

确保选中画笔工具
调整画笔大小（滑块控制），根据目标区域精细调节
在需要移除的物体或瑕疵上涂抹白色
若标错，可用橡皮擦工具清除

注意：必须完全覆盖目标区域，否则未标注的部分不会被修复。

小技巧：

对于边缘复杂的对象（如树枝、头发），建议适当扩大涂抹范围
可多次涂抹，系统会自动合并mask区域

4.3 第三步：开始修复

点击“🚀 开始修复”按钮，后台会自动执行以下流程：

预处理图像与mask
调用LaMa模型进行内容生成
结合FFT频域优化，提升纹理连贯性
输出修复结果并保存至本地

处理时间通常为5–60秒，具体取决于图像尺寸和硬件性能。

4.4 第四步：查看与下载结果

修复完成后，右侧会立即显示新图像。同时状态栏会提示：

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

文件按时间戳命名，避免重复覆盖。你可以通过FTP、SCP等方式下载，或直接在服务器上查看。

5. 核心功能与使用技巧

5.1 画笔与橡皮擦的正确用法

工具	用途	使用建议
画笔	标注需修复区域	白色区域即为待填充区，务必全覆盖
橡皮擦	修正误标区域	支持撤销操作，但建议及时清理

进阶技巧：

小画笔（10–30px）适合细节修补（如面部斑点）
大画笔（100px以上）适合大面积去除（如背景文字）

5.2 提高修复质量的三大技巧

技巧一：合理扩大标注范围

很多人发现修复后边缘有明显痕迹，原因往往是标注太紧。正确的做法是：

让白色mask略微超出目标边界，给模型留出过渡空间。

系统会在内部自动做羽化处理，使融合更自然。

技巧二：分区域多次修复

对于多个独立目标（如多处水印），不要一次性全标。建议：

先修复一个区域
下载中间结果
重新上传，继续修复下一个

这样可以避免模型混淆上下文，提升整体质量。

技巧三：利用颜色一致性优化

该模型对色彩还原能力较强，但在极端光照下可能出现偏色。若发现修复区域颜色异常：

检查原图是否为BGR格式（程序已自动转换）
尝试轻微调整mask边界，引导模型参考更多邻近像素

6. 典型应用场景实战

6.1 场景一：去除图片水印

很多素材图带有半透明水印，手动擦除困难。使用本工具：

上传带水印图像
用大画笔完整覆盖水印区域
点击修复

效果：水印消失，背景纹理自然延续，几乎看不出修改痕迹。

6.2 场景二：移除不需要的物体

比如合影中闯入的路人、产品图中的支架等。

操作要点：

精确标注整个物体轮廓
周围环境越规律（如墙面、天空），修复效果越好
复杂背景也能较好还原结构

6.3 场景三：修复老照片瑕疵

老旧照片常有划痕、污渍、霉点等问题。

做法：

使用小画笔逐个点选瑕疵
分批修复，避免一次处理过多区域
修复后可用常规软件做锐化增强

6.4 场景四：清除图像中的文字

广告图、截图中的敏感信息需要隐藏时非常实用。

提示：

大段文字建议分块处理
文字密集区可先用大画笔粗略覆盖，再微调

7. 常见问题与解决方案

7.1 修复后颜色发灰或偏色？

原因分析：

输入图像通道顺序错误（非RGB）
极端对比度导致模型误判

解决方法：

确保上传的是标准RGB图像
程序已内置BGR转RGB逻辑，无需手动处理
如仍存在问题，尝试重新裁剪局部上传

7.2 边缘出现明显接缝？

这是最常见的反馈之一。

应对策略：

扩大mask标注范围，至少超出原始边界10–20像素
避免直线切割式标注，保持自然过渡
可尝试两次修复：第一次大范围打底，第二次精细调整

7.3 处理时间过长？

图像分辨率越高，计算量呈指数增长。

优化建议：

控制输入图像短边不超过2000px
对超大图可先缩放处理，修复后再放大
GPU环境下速度显著快于CPU

7.4 输出文件找不到？

默认保存路径为：

/root/cv_fft_inpainting_lama/outputs/

文件名格式为outputs_YYYYMMDDHHMMSS.png，按时间排序。

可通过以下命令查看最新文件：

ls -lt /root/cv_fft_inpainting_lama/outputs/ | head -5

7.5 WebUI无法访问？

请依次排查：

服务是否启动：ps aux | grep app.py
端口是否占用：lsof -ti:7860
防火墙是否放行：ufw status或云平台安全组设置
日志是否有报错：tail -f logs/app.log

8. 二次开发指南

该项目最大的亮点之一就是高度可定制化。源码结构清晰，非常适合做二次开发。

8.1 项目目录结构

cv_fft_inpainting_lama/ ├── app.py # Gradio主应用入口 ├── models/ # 模型权重存放 ├── inference.py # 推理核心逻辑 ├── utils/ # 工具函数（图像处理、mask生成等） ├── static/ # 前端资源 ├── outputs/ # 输出结果目录 └── start_app.sh # 启动脚本

8.2 如何接入自有系统？

只需调用inference.py中的inpaint_image()函数即可：

from inference import inpaint_image import cv2 # 读取图像和mask image = cv2.imread("input.jpg") mask = cv2.imread("mask.png", 0) # 灰度图 # 执行修复 result = inpaint_image(image, mask) # 保存结果 cv2.imwrite("output.png", result)

8.3 修改模型或替换 backbone

目前使用的是LaMa + FFT联合方案，你也可以：

替换为其他inpainting模型（如ZITS、MAT）
添加风格迁移模块
集成OCR识别，自动检测并去除文字

只要符合输入输出规范，即可无缝对接现有pipeline。

9. 总结

9.1 我们学到了什么？

本文带你完整走了一遍fft npainting lama图像修复系统的使用全流程：

如何快速部署并启动Web服务
如何通过画笔标注实现精准修复
掌握了提高修复质量的关键技巧
了解了典型应用场景的实际操作
学会了解决常见问题的方法
更重要的是，掌握了如何进行二次开发

这不仅仅是一个“去水印工具”，而是一个可用于生产环境的图像编辑引擎。

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。