jasna1080p 视频马赛克修复 34 秒完成显存峰值不到 6 GB【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna一段 3 分 22 秒的 1080p 视频把画面里每一处马赛克被打码的图像区域恢复成正常内容需要多久同项目的旧版本 v0.4.1 要 1 分 46 秒、显存近 20 GB主流开源工具 Lada 也要 2 分钟以上。jasna 是一个在本地 GPU 上运行的视频马赛克修复工具负责检测、修复并把每处马赛克结果回填画面其余部分完全不动。在 RTX 5090 上v0.9.1 处理这段 1080p H.264 视频耗时 34 秒——处理一段视频比看一遍它还短不用再挂着跑一晚。换成 4K 输入是 1 分 03 秒约为 Lada 0.11.0 的 4.7 倍速意味着 4K 素材的批量修复从小时级进入分钟级。更关键的是显存1080p 典型占用 4.8 GB、峰值 5.6 GB——8 GB 显存的消费级显卡RTX 3060、4060 等可以完整跑通全流程这是旧版本做不到的。把问题拆成一条主线不整帧修只修该修的地方视频修复慢、显存高根子在于逐帧整图处理一帧 4K 画面里马赛克可能只占一小块整帧修复却要为全部像素付出算力。jasna 围绕一条主线组织全流程——先定位马赛克在它周围切一小块裁剪图送修复模型再把结果回填进原帧。解码检测、一级修复、二级修复、混合编码四个环节各开一个线程用有界队列串成生产者-消费者链队列上限就是片段长度 max_clip_size队列满时上游自然阻塞吞吐由水位动态平衡而不是卡死在最慢的单点上见 jasna/pipeline_threads.py。第二个关键决策输入文件被硬件解码两次一次喂检测一次让编码线程取干净原帧做混合代价是重复解码而 NVDEC 硬件解码路径 4K 纯解码可达 681 fps解码从来不是瓶颈后端可用JASNA_DECODE_BACKEND在 vali / pyav-hw / pyav-sw 间切换见 jasna/media/video_decoder.py。同一段时间窗被两个片段各修一遍交接处如何看不出缝修复不是逐帧独立做的。跟踪器给每个马赛克分配 track_id聚成 clip同一个马赛克的一组连续帧clip 超过 max_clip_size 就带重叠拆开镜头切换处也会强制断开两个镜头绝不混进同一段。麻烦在边界同一马赛克横跨相邻两个 clip 时两份结果会在交界处互相打架。jasna 的做法是重叠区被两个 clip 各修一遍再按线性权重融合——权重公式(j 0.5) / (2 * bf)出自 jasna/pipeline_overlap.pybf 约为重叠长度的一半交叉淡化复用的都是已修好的帧所以不产生额外计算量。回填也不是贴一块矩形。混合阶段把检测时输出的逐像素 mask 上采样回原图分辨率当权重核心就是一行就地插值original_crop.lerp_(resized_back, blend_mask.unsqueeze(0)).round_().clamp_(0, 255) # mask 内取修复结果边缘向原像素平滑过渡mask 内侧 100% 采用修复像素外侧保留原像素边界处 lerp线性插值平滑过渡落在重叠区时权重再乘交叉淡化系数改走修复减原图再叠加的差分路径两个 clip 的贡献线性相加。每帧要等它关联的所有 track 结果到齐才放行混合见 jasna/blend_buffer.py不存在修到一半就编码的竞态。显存账从 9 GB 到 4.8 GB省在哪花了什么v0.9.0 到 v0.9.11080p 典型显存从 9.3 GB 掉到 4.8 GB主要来自一个结构修正TensorRTNVIDIA 的推理加速工具包引擎会为最大 batch 预留 scratch 内存preprocess/upsample 两个子引擎原先按 180 帧的 clip 长度构建常驻 4560 MiB改用固定 batchpreprocess 60 帧、upsample 30 帧后驻留降到 916 MiBupsample 引擎文件从 452 MB 缩到 78 MB端到端耗时 33.6 秒变 33.8 秒等于没有损失——省显存是靠改引擎构建方式不是砍功能。真正的代价有两处。一是首次任务要等 15–60 分钟NVIDIA 上检测和修复模型会为你的具体 GPU 编译成引擎结果缓存在model_weights目录并可拷进新版本这就是首次慢、之后快的来源如果关掉编译1080p 从 33 秒变 107 秒只省不到 0.5 GB不划算。二是片段长度1080p 下 30 帧的 clip 要 51 秒、90 帧 34 秒、720 帧 33 秒但显存到 8.0 GB——片段更小反而更慢因为重叠帧在每个片段里都要重算一次8 GB 显卡应选 60–90 帧而不是最小值。哪些显卡和场景适合哪些要慎重推荐使用场景GTX 16 系 / RTX 20 系及更新的 NVIDIA 显卡计算能力 7.5 及以上处理 1080p 及以下视频4K 建议 12 GB 及以上显存因为 2160p 峰值约 10.9 GB8 GB 卡装不下。VR180 全景视频有专用检测模型和逆投影混合路径属于原生支持。需要慎重AMD 显卡走 ROCm/AMF 实验性路径无 TensorRT 编译速度明显落后追求极限细节时免费的 BasicVSR快速视频修复模型有质量上限扩散模型 LTX 慢得多、需要额外授权码首次还要下载 9–15 GB 模型文件GTX 10 系及更早显卡则完全不支持。一句话定位jasna 是本地 GPU 上只修该修的工程化实现用定位局部化和环节重叠把消费级显卡的 1080p 修复压进半分钟、显存压进 8 GB 以内。【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
jasna1080p 视频马赛克修复 34 秒完成显存峰值不到 6 GB【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna一段 3 分 22 秒的 1080p 视频把画面里每一处马赛克被打码的图像区域恢复成正常内容需要多久同项目的旧版本 v0.4.1 要 1 分 46 秒、显存近 20 GB主流开源工具 Lada 也要 2 分钟以上。jasna 是一个在本地 GPU 上运行的视频马赛克修复工具负责检测、修复并把每处马赛克结果回填画面其余部分完全不动。在 RTX 5090 上v0.9.1 处理这段 1080p H.264 视频耗时 34 秒——处理一段视频比看一遍它还短不用再挂着跑一晚。换成 4K 输入是 1 分 03 秒约为 Lada 0.11.0 的 4.7 倍速意味着 4K 素材的批量修复从小时级进入分钟级。更关键的是显存1080p 典型占用 4.8 GB、峰值 5.6 GB——8 GB 显存的消费级显卡RTX 3060、4060 等可以完整跑通全流程这是旧版本做不到的。把问题拆成一条主线不整帧修只修该修的地方视频修复慢、显存高根子在于逐帧整图处理一帧 4K 画面里马赛克可能只占一小块整帧修复却要为全部像素付出算力。jasna 围绕一条主线组织全流程——先定位马赛克在它周围切一小块裁剪图送修复模型再把结果回填进原帧。解码检测、一级修复、二级修复、混合编码四个环节各开一个线程用有界队列串成生产者-消费者链队列上限就是片段长度 max_clip_size队列满时上游自然阻塞吞吐由水位动态平衡而不是卡死在最慢的单点上见 jasna/pipeline_threads.py。第二个关键决策输入文件被硬件解码两次一次喂检测一次让编码线程取干净原帧做混合代价是重复解码而 NVDEC 硬件解码路径 4K 纯解码可达 681 fps解码从来不是瓶颈后端可用JASNA_DECODE_BACKEND在 vali / pyav-hw / pyav-sw 间切换见 jasna/media/video_decoder.py。同一段时间窗被两个片段各修一遍交接处如何看不出缝修复不是逐帧独立做的。跟踪器给每个马赛克分配 track_id聚成 clip同一个马赛克的一组连续帧clip 超过 max_clip_size 就带重叠拆开镜头切换处也会强制断开两个镜头绝不混进同一段。麻烦在边界同一马赛克横跨相邻两个 clip 时两份结果会在交界处互相打架。jasna 的做法是重叠区被两个 clip 各修一遍再按线性权重融合——权重公式(j 0.5) / (2 * bf)出自 jasna/pipeline_overlap.pybf 约为重叠长度的一半交叉淡化复用的都是已修好的帧所以不产生额外计算量。回填也不是贴一块矩形。混合阶段把检测时输出的逐像素 mask 上采样回原图分辨率当权重核心就是一行就地插值original_crop.lerp_(resized_back, blend_mask.unsqueeze(0)).round_().clamp_(0, 255) # mask 内取修复结果边缘向原像素平滑过渡mask 内侧 100% 采用修复像素外侧保留原像素边界处 lerp线性插值平滑过渡落在重叠区时权重再乘交叉淡化系数改走修复减原图再叠加的差分路径两个 clip 的贡献线性相加。每帧要等它关联的所有 track 结果到齐才放行混合见 jasna/blend_buffer.py不存在修到一半就编码的竞态。显存账从 9 GB 到 4.8 GB省在哪花了什么v0.9.0 到 v0.9.11080p 典型显存从 9.3 GB 掉到 4.8 GB主要来自一个结构修正TensorRTNVIDIA 的推理加速工具包引擎会为最大 batch 预留 scratch 内存preprocess/upsample 两个子引擎原先按 180 帧的 clip 长度构建常驻 4560 MiB改用固定 batchpreprocess 60 帧、upsample 30 帧后驻留降到 916 MiBupsample 引擎文件从 452 MB 缩到 78 MB端到端耗时 33.6 秒变 33.8 秒等于没有损失——省显存是靠改引擎构建方式不是砍功能。真正的代价有两处。一是首次任务要等 15–60 分钟NVIDIA 上检测和修复模型会为你的具体 GPU 编译成引擎结果缓存在model_weights目录并可拷进新版本这就是首次慢、之后快的来源如果关掉编译1080p 从 33 秒变 107 秒只省不到 0.5 GB不划算。二是片段长度1080p 下 30 帧的 clip 要 51 秒、90 帧 34 秒、720 帧 33 秒但显存到 8.0 GB——片段更小反而更慢因为重叠帧在每个片段里都要重算一次8 GB 显卡应选 60–90 帧而不是最小值。哪些显卡和场景适合哪些要慎重推荐使用场景GTX 16 系 / RTX 20 系及更新的 NVIDIA 显卡计算能力 7.5 及以上处理 1080p 及以下视频4K 建议 12 GB 及以上显存因为 2160p 峰值约 10.9 GB8 GB 卡装不下。VR180 全景视频有专用检测模型和逆投影混合路径属于原生支持。需要慎重AMD 显卡走 ROCm/AMF 实验性路径无 TensorRT 编译速度明显落后追求极限细节时免费的 BasicVSR快速视频修复模型有质量上限扩散模型 LTX 慢得多、需要额外授权码首次还要下载 9–15 GB 模型文件GTX 10 系及更早显卡则完全不支持。一句话定位jasna 是本地 GPU 上只修该修的工程化实现用定位局部化和环节重叠把消费级显卡的 1080p 修复压进半分钟、显存压进 8 GB 以内。【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
