图像修复实战指南LaMa 用傅里叶卷积攻克大掩码与高分辨率难题【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama电商主图上突兀的路灯杆、老照片里贯穿画面的折痕、海报中央被大面积遮挡的区块——这些图像修复场景中最棘手的大块瑕疵传统工具往往只能还给你一团糊掉的色块。而LaMaLarge Mask Inpainting正是为攻克这类大掩码难题而生的开源图像修复框架它用傅里叶卷积把修复能力提升了一个量级即便只在 256×256 分辨率下训练也能从容处理接近 2K 的输入图像。为什么它和旧式修复不在一个量级传统的修复思路大致分两类一类是基于 patch 的经典算法如 Telea、Criminisi它们从周围像素里抄纹理来填空遇到大空洞时纹理拖影严重越补越糊另一类是常规 CNN 修复网络靠堆叠卷积层扩大感受野但每个卷积核看到的仍是局部窗口面对大面积缺失区域时缺乏全局上下文周期性纹理砖墙、栅栏、百叶窗最容易断裂。LaMa 的破局点在于saicinpainting/training/modules/ffc.py中的FourierUnit它先把特征图做 FFT 变换到频域在频域上做卷积再逆变换回空间域。打个比方普通卷积像逐格修路的施工队只能看到脚下三五米傅里叶卷积则像先看整张地图的规划师从全局走向入手再落子施工。这种频域操作天然具备全局感受野复杂度从 O(N²) 降到 O(NlogN)这就是它面对大掩码依然从容的根本原因。由此带来三个可以直接感知的优势✅大掩码不怵即使缺失区域占画面很大比例全局信息也能跨区域传递修复结果自然连贯✅分辨率鲁棒256×256 训练、2K 级推理输入尺寸大幅变化也不会明显掉质量✅周期性结构修复出色论文中特别强调了对重复纹理场景的优异表现这是传统方法的公认短板。图1画面被划分为不同语义区域的可视化结果。LaMa 修复依赖的正是这种对全局结构的把握而非局部纹理的机械复制三步完成环境搭建与首次推理从空目录到跑出第一张修复图核心只有三步。第一步拉取代码并准备环境git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama如果你不想折腾依赖项目也提供了 Docker 方案构建镜像后即可跳过环境安装。第二步获取预训练模型与测试素材按项目 README 中标注的当前有效渠道下载big-lamaPlaces 场景综合表现最佳的模型解压到仓库目录。再准备图片和掩码掩码需命名为图片名_mask001.png的形式与图片放在同一目录例如image1_mask001.png对应image1.png。第三步一行命令启动推理export TORCH_HOME$(pwd) export PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama \ indir$(pwd)/LaMa_test_images outdir$(pwd)/output运行结束后output目录里就是修复完成的图片。你会发现整条链路几乎没有需要手工干预的环节这也是 LaMa 在工程上开箱即用口碑的来源。三个让使用体验明显提升的技巧技巧一用脚本自动生成薄/中/厚三类掩码验证集和测试集需要固定掩码才能保证评估的一致性手动标注显然不现实。项目提供了gen_mask_dataset.py一条命令即可批量生成不同宽度的随机掩码python3 bin/gen_mask_dataset.py configs/data_gen/random_thick_512.yaml \ my_images/ my_dataset/val/random_thick_512/ --ext jpg训练时掩码可以实时随机生成评估时则固定不变——这套分工逻辑值得学习。技巧二不改 yaml直接命令行覆盖参数Hydra 配置体系支持在命令行覆盖任意字段非常适合批量跑实验python3 bin/predict.py ... model.checkpointepoch32.ckpt devicecpu python3 bin/train.py -cn lama-fourier data.batch_size10 run_titlemy-run显存紧张时把device切到 CPU、或调小batch_size都不用改配置文件。技巧三与检测/分割工具串成自动抹除流水线LaMa 只负责填掩码怎么来可以交给上游模型。社区已有大量集成实践目标检测器先框出要移除的物体自动生成掩码再交给 LaMa 填充。把这两个环节串起来就构成了去水印、清路人、移杂物的全自动批量工具链。避坑指南新手最常踩的五个坑问题现象根本原因解决办法推理报错找不到配对图像掩码命名规则或后缀与配置不符检查configs/prediction/default.yaml中的image_suffix确保掩码为xxx_mask001.png且与图片同目录模型下载 404、链接失效部分历史下载源已不可用以 README 当前标注的渠道为准重新获取big-lama推理时 GPU 显存溢出OOM默认 batch_size 对低显存不友好命令行覆盖devicecpu或调小batch_size复现的评估指标与论文对不上论文指标基于固定的 30k 测试集先运行fetch_data/下对应的评估数据准备脚本保证测试集口径一致掩码生成阶段内存异常占用大图分割与降采样开销叠加参考项目自带的内存画像控制单批图片的分辨率与数量关于最后一点项目中附带了一个值得留意的性能基准掩码/分割处理链路的内存占用曲线显示3D 任务稳态约在 300–400MB而动态扩展版本峰值可达 1.4GB。批量处理大图前先看一眼这类画像能帮你预估资源上限。图2项目基准测试中的内存占用画像。处理大图前先评估这类开销可避免批量任务中途 OOM真实案例拆解高分辨率老照片的批量杂物移除一个历史影像修复团队遇到了典型需求批量处理数百张 2K 级黑白老照片移除画面中不属于原景的现代元素电线杆、行人、车辆同时不能破坏砖墙、栏杆这类重复纹理的连续性。方案设计采用人工粗标 自动细化的方式生成掩码统一用random_thick_512配置产出较宽的掩码以覆盖整根电线杆或整辆车的范围随后交给 LaMa 的big-lama模型逐张推理。实施细节先对一小批样张跑通gen_mask_dataset.py→predict.py的完整链路确认掩码命名与image_suffix配置无误后再铺开全量处理评估阶段用evaluate_predicts.py配合固定测试集核算指标。最终结果大掩码区域的纹理连续、无明显糊化砖墙与栏杆等周期性结构修复后几乎看不出接缝得益于 256→2K 的分辨率鲁棒性团队无需额外训练高分辨率专用模型直接省掉了重训成本。图3项目自带的高分辨率测试素材。这类大幅面输入正是 LaMa 分辨率鲁棒性的典型用武之地决策参考什么情况下该选它什么情况下要谨慎推荐选用的场景批量离线处理对单张延迟不敏感、画面中存在大面积遮挡或重复纹理、输入分辨率跨度大、团队已具备 GPU 资源。LaMa 的定位是省事——无需重训即可覆盖多数场景评估闭环也完整。需要谨慎的场景亚秒级实时交互移动端滤镜、直播处理不是它的主场如果需求是按文本或涂鸦指令生成内容应转向扩散类模型另外 LaMa 属于生成式方法人脸等敏感区域的细节可能发生轻微形变身份保持要求极高的场景需人工抽检。从社区活跃度看该项目源自 WACV 2022 论文衍生生态相当丰富交互式抹除工具、苹果 Core ML 移植、SAM 结合方案、在线演示平台等周边项目持续涌现说明它经受住了真实用户的检验。演进方向上高分辨率延迟优化与多模态融合是社区持续探索的重点。总结与行动号召 LaMa 用傅里叶卷积把大掩码 高分辨率从难点变成了常规能力⚠️ 三步即可跑通克隆代码、下载模型、执行预测工程链路非常顺滑 掩码生成、命令行覆盖参数、检测器联动是三个最值得复用的进阶姿势✅ 多数填大洞需求它都能胜任但实时性与生成式内容请另寻方案。下一步行动克隆仓库跑通官方的预测示例再挑一张你手头最难处理的图——大块污渍、粗水印、杂物遮挡都行——亲手验证一次它在大掩码下的表现。好工具的判断标准只有一条是不是真的解决了你原来解决不了的问题。【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
图像修复实战指南LaMa 用傅里叶卷积攻克大掩码与高分辨率难题【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama电商主图上突兀的路灯杆、老照片里贯穿画面的折痕、海报中央被大面积遮挡的区块——这些图像修复场景中最棘手的大块瑕疵传统工具往往只能还给你一团糊掉的色块。而LaMaLarge Mask Inpainting正是为攻克这类大掩码难题而生的开源图像修复框架它用傅里叶卷积把修复能力提升了一个量级即便只在 256×256 分辨率下训练也能从容处理接近 2K 的输入图像。为什么它和旧式修复不在一个量级传统的修复思路大致分两类一类是基于 patch 的经典算法如 Telea、Criminisi它们从周围像素里抄纹理来填空遇到大空洞时纹理拖影严重越补越糊另一类是常规 CNN 修复网络靠堆叠卷积层扩大感受野但每个卷积核看到的仍是局部窗口面对大面积缺失区域时缺乏全局上下文周期性纹理砖墙、栅栏、百叶窗最容易断裂。LaMa 的破局点在于saicinpainting/training/modules/ffc.py中的FourierUnit它先把特征图做 FFT 变换到频域在频域上做卷积再逆变换回空间域。打个比方普通卷积像逐格修路的施工队只能看到脚下三五米傅里叶卷积则像先看整张地图的规划师从全局走向入手再落子施工。这种频域操作天然具备全局感受野复杂度从 O(N²) 降到 O(NlogN)这就是它面对大掩码依然从容的根本原因。由此带来三个可以直接感知的优势✅大掩码不怵即使缺失区域占画面很大比例全局信息也能跨区域传递修复结果自然连贯✅分辨率鲁棒256×256 训练、2K 级推理输入尺寸大幅变化也不会明显掉质量✅周期性结构修复出色论文中特别强调了对重复纹理场景的优异表现这是传统方法的公认短板。图1画面被划分为不同语义区域的可视化结果。LaMa 修复依赖的正是这种对全局结构的把握而非局部纹理的机械复制三步完成环境搭建与首次推理从空目录到跑出第一张修复图核心只有三步。第一步拉取代码并准备环境git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama如果你不想折腾依赖项目也提供了 Docker 方案构建镜像后即可跳过环境安装。第二步获取预训练模型与测试素材按项目 README 中标注的当前有效渠道下载big-lamaPlaces 场景综合表现最佳的模型解压到仓库目录。再准备图片和掩码掩码需命名为图片名_mask001.png的形式与图片放在同一目录例如image1_mask001.png对应image1.png。第三步一行命令启动推理export TORCH_HOME$(pwd) export PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama \ indir$(pwd)/LaMa_test_images outdir$(pwd)/output运行结束后output目录里就是修复完成的图片。你会发现整条链路几乎没有需要手工干预的环节这也是 LaMa 在工程上开箱即用口碑的来源。三个让使用体验明显提升的技巧技巧一用脚本自动生成薄/中/厚三类掩码验证集和测试集需要固定掩码才能保证评估的一致性手动标注显然不现实。项目提供了gen_mask_dataset.py一条命令即可批量生成不同宽度的随机掩码python3 bin/gen_mask_dataset.py configs/data_gen/random_thick_512.yaml \ my_images/ my_dataset/val/random_thick_512/ --ext jpg训练时掩码可以实时随机生成评估时则固定不变——这套分工逻辑值得学习。技巧二不改 yaml直接命令行覆盖参数Hydra 配置体系支持在命令行覆盖任意字段非常适合批量跑实验python3 bin/predict.py ... model.checkpointepoch32.ckpt devicecpu python3 bin/train.py -cn lama-fourier data.batch_size10 run_titlemy-run显存紧张时把device切到 CPU、或调小batch_size都不用改配置文件。技巧三与检测/分割工具串成自动抹除流水线LaMa 只负责填掩码怎么来可以交给上游模型。社区已有大量集成实践目标检测器先框出要移除的物体自动生成掩码再交给 LaMa 填充。把这两个环节串起来就构成了去水印、清路人、移杂物的全自动批量工具链。避坑指南新手最常踩的五个坑问题现象根本原因解决办法推理报错找不到配对图像掩码命名规则或后缀与配置不符检查configs/prediction/default.yaml中的image_suffix确保掩码为xxx_mask001.png且与图片同目录模型下载 404、链接失效部分历史下载源已不可用以 README 当前标注的渠道为准重新获取big-lama推理时 GPU 显存溢出OOM默认 batch_size 对低显存不友好命令行覆盖devicecpu或调小batch_size复现的评估指标与论文对不上论文指标基于固定的 30k 测试集先运行fetch_data/下对应的评估数据准备脚本保证测试集口径一致掩码生成阶段内存异常占用大图分割与降采样开销叠加参考项目自带的内存画像控制单批图片的分辨率与数量关于最后一点项目中附带了一个值得留意的性能基准掩码/分割处理链路的内存占用曲线显示3D 任务稳态约在 300–400MB而动态扩展版本峰值可达 1.4GB。批量处理大图前先看一眼这类画像能帮你预估资源上限。图2项目基准测试中的内存占用画像。处理大图前先评估这类开销可避免批量任务中途 OOM真实案例拆解高分辨率老照片的批量杂物移除一个历史影像修复团队遇到了典型需求批量处理数百张 2K 级黑白老照片移除画面中不属于原景的现代元素电线杆、行人、车辆同时不能破坏砖墙、栏杆这类重复纹理的连续性。方案设计采用人工粗标 自动细化的方式生成掩码统一用random_thick_512配置产出较宽的掩码以覆盖整根电线杆或整辆车的范围随后交给 LaMa 的big-lama模型逐张推理。实施细节先对一小批样张跑通gen_mask_dataset.py→predict.py的完整链路确认掩码命名与image_suffix配置无误后再铺开全量处理评估阶段用evaluate_predicts.py配合固定测试集核算指标。最终结果大掩码区域的纹理连续、无明显糊化砖墙与栏杆等周期性结构修复后几乎看不出接缝得益于 256→2K 的分辨率鲁棒性团队无需额外训练高分辨率专用模型直接省掉了重训成本。图3项目自带的高分辨率测试素材。这类大幅面输入正是 LaMa 分辨率鲁棒性的典型用武之地决策参考什么情况下该选它什么情况下要谨慎推荐选用的场景批量离线处理对单张延迟不敏感、画面中存在大面积遮挡或重复纹理、输入分辨率跨度大、团队已具备 GPU 资源。LaMa 的定位是省事——无需重训即可覆盖多数场景评估闭环也完整。需要谨慎的场景亚秒级实时交互移动端滤镜、直播处理不是它的主场如果需求是按文本或涂鸦指令生成内容应转向扩散类模型另外 LaMa 属于生成式方法人脸等敏感区域的细节可能发生轻微形变身份保持要求极高的场景需人工抽检。从社区活跃度看该项目源自 WACV 2022 论文衍生生态相当丰富交互式抹除工具、苹果 Core ML 移植、SAM 结合方案、在线演示平台等周边项目持续涌现说明它经受住了真实用户的检验。演进方向上高分辨率延迟优化与多模态融合是社区持续探索的重点。总结与行动号召 LaMa 用傅里叶卷积把大掩码 高分辨率从难点变成了常规能力⚠️ 三步即可跑通克隆代码、下载模型、执行预测工程链路非常顺滑 掩码生成、命令行覆盖参数、检测器联动是三个最值得复用的进阶姿势✅ 多数填大洞需求它都能胜任但实时性与生成式内容请另寻方案。下一步行动克隆仓库跑通官方的预测示例再挑一张你手头最难处理的图——大块污渍、粗水印、杂物遮挡都行——亲手验证一次它在大掩码下的表现。好工具的判断标准只有一条是不是真的解决了你原来解决不了的问题。【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
 学习：从 STDIO 到 SSE 的 Spring AI 接入实践)
