AI修图还能这样玩？科哥版工具打开新世界大门-程序员充电站

AI修图还能这样玩？科哥版工具打开新世界大门

1. 引言：当AI遇上图片修复

你有没有遇到过这样的情况？一张原本完美的照片，却被水印、路人、日期戳或者不小心划伤的痕迹毁了整体美感。过去我们只能靠PS一点点手动修补，费时又费力。但现在，事情变得不一样了。

今天要介绍的这个工具——fft npainting lama重绘修复图片移除物品二次开发构建by科哥，彻底改变了我对“修图”的认知。它不是简单的滤镜叠加，也不是复杂的图层操作，而是一个基于深度学习的智能图像修复系统，能自动识别并填补你标记的区域，真正做到“无痕修复”。

更关键的是，整个过程不需要写代码，界面友好到连我妈都能上手操作。只需要上传图片、用画笔圈出想删的东西，点一下按钮，几秒钟后，那块区域就像从未存在过一样自然地融入背景。

这背后的技术叫LaMa（Large Mask Inpainting），结合FFT频域处理优化，专为大范围缺失或遮挡区域的高质量重建设计。而科哥做的这个版本，是在原生模型基础上进行了WebUI二次开发，让普通人也能轻松使用。

接下来我会带你一步步体验它的神奇之处，并分享我在实际使用中的技巧和避坑指南。

2. 快速部署与启动

2.1 环境准备

该镜像已预装所有依赖环境，包括：

Python 3.9
PyTorch 1.12
OpenCV + FFT扩展模块
Streamlit WebUI框架
LaMa推理引擎

无需额外配置，开箱即用。

2.2 启动服务

登录服务器终端后，执行以下命令：

cd /root/cv_fft_inpainting_lama bash start_app.sh

看到如下提示表示启动成功：

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

2.3 访问Web界面

在浏览器中输入你的服务器IP加端口：

http://你的服务器IP:7860

即可进入主界面，整个过程不超过1分钟。

小贴士：如果你是在本地测试，可以直接访问http://127.0.0.1:7860；如果是云服务器，请确保安全组放行7860端口。

3. 界面功能详解

3.1 主界面布局

整个UI分为左右两大区域，简洁直观：

┌──────────────────────┬──────────────────────────────┐ │ 🎨 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] │ └──────────────────────┴──────────────────────────────┘

左侧是操作区，右侧是结果预览区。

3.2 左侧编辑区功能说明

图像上传区域

支持三种方式：

点击上传按钮选择文件
直接将图片拖拽进框内
复制图片后按Ctrl+V粘贴（超实用！）

支持格式：PNG、JPG、JPEG、WEBP

画笔工具

用于标注需要修复的区域。涂成白色的部分会被系统识别为“待填充区”。

你可以通过滑块调节画笔大小：

小画笔（5~20px）：适合精细边缘，比如电线、发丝
中等画笔（30~80px）：日常去水印、去文字
大画笔（100px以上）：快速覆盖大面积物体

橡皮擦工具

如果不小心标多了，可以用橡皮擦掉多余部分，精准调整边界。

操作按钮

🚀 开始修复：核心按钮，点击后开始AI补全
🔄 清除：清空当前图像和所有标注，重新开始

3.3 右侧结果展示区

修复完成后，右侧会实时显示结果图。

下方状态栏会提示：

当前处理阶段（初始化 / 推理中 / 完成）
输出路径：/root/cv_fft_inpainting_lama/outputs/outputs_时间戳.png

文件会自动保存，方便后续下载使用。

4. 实际操作全流程演示

我们以一个真实场景为例：去除照片中的广告牌

4.1 第一步：上传原始图像

我有一张街景照片，画面中央有个突兀的红色广告牌，影响整体观感。

操作方式：

将图片拖入左侧上传区
或点击上传按钮选择文件

几秒内图像加载完成，清晰显示在画布上。

4.2 第二步：标注修复区域

切换到画笔工具，调整大小至约60px。

沿着广告牌边缘仔细涂抹一圈，确保完全覆盖文字和边框。注意不要遗漏角落。

如果误涂了背景，可以切换橡皮擦进行修正。

经验分享：建议稍微超出目标区域一点，留出缓冲带。AI在融合边缘时会有羽化效果，太紧贴反而容易出现色差。

4.3 第三步：启动修复

确认标注无误后，点击"🚀 开始修复"。

等待约15秒（这张图分辨率1920x1080），状态栏变为：

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

同时右侧显示出修复后的图像。

4.4 第四步：查看效果

放大对比前后细节：

广告牌完全消失
背后的建筑墙体、窗户结构被合理重建
地面纹理延续自然，没有明显拼接痕迹
颜色过渡平滑，未出现偏色问题

整个过程就像魔法一样，而且输出质量接近专业级PS水平。

5. 四大典型应用场景实战

5.1 场景一：去除水印

很多网络图片带有平台水印，影响二次使用。

操作要点：

标注时覆盖整个水印区域，包括半透明部分
若一次修复不干净，可重复操作1~2次
PNG格式上传效果最佳，避免JPG压缩导致边缘模糊

实测效果：某视频截图上的白色“抖音”水印，经两次修复后基本不可见。

5.2 场景二：移除干扰物体

旅游拍照常有路人乱入，传统方法很难处理。

案例：公园长椅上有两个游客坐着，我想保留空椅子。

做法：

用中号画笔完整圈出两人轮廓
注意包含影子部分，否则地面会出现黑斑
一次性修复整块区域

结果：AI自动根据两侧草地和道路纹理生成中间内容，椅子位置准确还原，周围环境无缝衔接。

5.3 场景三：修复老照片瑕疵

老照片常有划痕、霉点、褪色等问题。

适用情况：

人脸皱纹、斑点去除
相纸刮伤修补
边角破损复原

技巧：

使用小画笔逐个点选瑕疵
分批修复，避免一次性处理过多区域
对于人脸，系统会优先保持五官对称性和皮肤质感

亲测反馈：一张泛黄的老年合影，面部多处霉点经修复后明显改善，人物神态依旧清晰，不像某些AI过度平滑变成“塑料脸”。

5.4 场景四：清除图片文字

文档扫描件或截图中含有敏感信息需隐藏。

注意事项：

文字密集区域建议分段标注，避免跨度太大
英文字符比中文更容易修复，因结构更规则
背景复杂时（如纹理墙纸），填充效果更好；纯色背景可能出现轻微色块差异

解决方案：若发现颜色偏差，可用PS轻微调色，或导出后再用其他工具微调。

6. 提升修复质量的五个实用技巧

6.1 技巧一：控制图像尺寸

虽然系统支持高分辨率，但建议将图片缩放到2000x2000像素以内。

原因：

过大图像增加显存压力，可能导致卡顿
处理时间线性增长，小图5秒，大图可达1分钟
实际修复精度并不会随分辨率提升而显著提高

推荐做法：先裁剪出感兴趣区域再修复，效率更高。

6.2 技巧二：分区域多次修复

面对多个独立目标（如多个水印、多个路人），不要一次性全标。

正确做法：

先修复一个区域
下载结果图
重新上传，继续修复下一个

优势：

减少上下文干扰
每次只聚焦局部，AI判断更准确
即使某次失败也不影响已完成部分

6.3 技巧三：善用边缘扩展

很多人反映修复后边缘有“接缝感”，其实是标注太紧。

解决办法：

标注时向外延伸5~10像素
让AI有足够的参考区域做渐变融合
系统内置BGR转RGB和边缘羽化算法，能有效消除硬边

6.4 技巧四：优先使用PNG格式

尽管支持JPG，但强烈建议上传PNG。

因为：

JPG是有损压缩，可能引入噪点和伪影
AI对噪声敏感，会影响填充逻辑
PNG保留完整色彩信息，修复后颜色更真实

转换建议：可用在线工具提前转格式，或用Python脚本批量处理。

6.5 技巧五：结合外部工具协同工作

这个工具虽强，但并非万能。对于极端复杂场景，建议组合使用：

配套工具	用途
Photoshop	初步裁剪、调色、降噪
Remove.bg	快速抠图，分离主体
GIMP	开源替代方案，配合批处理

形成“预处理 → AI修复 → 后期润色”的完整流程。

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：

输入图像为BGR格式（OpenCV默认）
JPG压缩导致色阶断裂

应对措施：

尽量上传PNG
如必须用JPG，尝试用图像软件重新导出一次
科哥版本已加入自动色彩校正模块，但仍受原始质量限制

7.2 边缘出现锯齿或重影？

这是典型的标注不足问题。

改进方法：

扩大标注范围
使用更大画笔覆盖周边过渡区
检查是否遗漏细小突出部分（如树枝、电线）

7.3 点击“开始修复”没反应？

请检查以下几点：

是否已上传图像？
是否用画笔做了标注？（系统需检测到mask）
浏览器是否有弹窗拦截？建议使用Chrome/Firefox
查看终端日志是否有报错

可通过命令查看进程状态：

ps aux | grep app.py

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：outputs_YYYYMMDDHHMMSS.png

可通过FTP工具或命令行复制出来：

cp /root/cv_fft_inpainting_lama/outputs/*.png /shared/

8. 总结：为什么这款工具值得推荐

经过一周的实际使用，我认为这款由科哥二次开发的图像修复工具，在同类产品中具备明显优势：

零门槛操作：无需编程基础，图形化界面友好
修复质量高：基于LaMa+FFT优化，细节还原能力强
响应速度快：中小图5~20秒内完成，适合批量处理
本地运行安全：数据不出内网，保护隐私
永久开源承诺：作者明确声明不开源收费，社区氛围良好

更重要的是，它真正实现了“所见即所得”的智能修图体验。无论是设计师、摄影师，还是普通用户，都能从中受益。

未来我也计划将其集成到自己的工作流中，用于自动化处理大量素材图，大幅提升内容生产效率。

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。