从上传到导出：fft npainting lama完整工作流演示

从上传到导出：FFT NPainting LaMa完整工作流演示

图像修复不是魔法，但当你第一次看到一张带水印的旧照片在几秒内变得干净如新，那种“这真的可以？”的惊讶感，和当年第一次用Photoshop的“内容识别填充”时一模一样。不过这一次，你不需要订阅、不用调参数、甚至不用打开命令行——只需要拖一张图进来，画几笔，点一下按钮，结果就出来了。

今天要演示的，是科哥基于LaMa模型二次开发的fft npainting lama镜像。它不是另一个花哨的在线工具，而是一个开箱即用、部署即用、专为图像重绘与物品移除优化的本地WebUI系统。它不讲论文、不堆指标，只做一件事：把你想去掉的东西，自然地“抹掉”，再用周围的内容聪明地“补上”。

下面，我们就从零开始，走完一次完整的、真实的、不跳步的工作流——从把图片拖进浏览器，到把修复好的PNG文件下载到本地硬盘。

1. 启动服务：三行命令，静待启动提示

别被“FFT”“LaMa”这些词吓住。这个镜像已经为你打包好了所有依赖，包括PyTorch、OpenCV、Gradio，以及经过轻量优化的LaMa推理后端。你唯一需要做的，就是启动它。

打开终端（SSH或本地控制台），依次执行：

cd /root/cv_fft_inpainting_lama bash start_app.sh

你会看到一段清晰的启动日志，最后出现这样一段文字：

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

这个“✓”就是你的信号灯——服务已就绪。不需要配置端口、不用改防火墙、不用查日志报错。只要看到这个提示，就可以直接进入下一步。

小贴士：如果你是在云服务器上运行，记得在安全组中放行7860端口；如果是本机运行，直接打开http://127.0.0.1:7860即可。

2. 界面初识：左边画，右边看，中间是你的画布

在浏览器中打开http://你的服务器IP:7860，你会看到一个简洁、无广告、无弹窗的界面。没有注册、没有登录、没有“升级高级版”的横幅——只有两个并排区域，和几个直白的按钮。

整个界面可以理解为一个“所见即所得”的画板：

• 左侧是你的操作区：这里是你上传图片、涂抹标注、擦除调整的地方。它不是预览图，而是真正的可编辑画布。
• 右侧是结果区：它不会提前显示任何东西，只等你按下“ 开始修复”后，才亮出最终成果。
• 底部状态栏：实时告诉你当前卡在哪一步：“等待上传……”、“初始化……”、“执行推理……”、“完成！已保存至……”

这种左右分屏的设计，刻意回避了传统AI工具常见的“输入→参数面板→输出”三层嵌套结构。它把“你做什么”和“结果什么样”物理隔离，强迫你专注在“我要修哪里”这个最核心的问题上。

2.1 上传图像：三种方式，总有一种顺手

支持以下任意一种上传方式：

• 点击上传：点击灰色虚线框区域，唤出系统文件选择器；
• 拖拽上传：直接将.png、.jpg、.jpeg或.webp文件拖入虚线框；
• 粘贴上传：截图后按Ctrl+V，图像会自动出现在画布上。

建议优先使用 PNG 格式。因为 JPG 在压缩过程中会引入轻微噪点和色块，LaMa 模型虽然鲁棒，但面对原始信息更干净的 PNG，修复边缘的连贯性和纹理一致性会明显更好。

注意：上传后，图像会自动居中适配画布，你可以用鼠标滚轮缩放（部分浏览器支持）、拖拽平移，方便后续精细标注。

3. 标注修复区域：不是“选中”，而是“告诉AI：这里要重画”

这是整个工作流里最关键的一步，也最容易被新手忽略细节。很多人以为“画得越细越好”，其实恰恰相反——LaMa 的强项，是理解上下文并生成合理内容；它的弱项，是处理模糊不清的边界。

所以，标注的核心原则是：宁大勿小，宁整勿碎。

3.1 画笔工具：白色 = 待重绘区域

界面上默认激活的就是画笔工具（图标是 🖌）。它的作用非常纯粹：你在画布上涂的每一处白色，就等于对AI说：“这一块，请你完全重画。”

• 画笔大小滑块：不要固定用一个尺寸。

  • 小画笔（10–30px）：用于勾勒物体边缘、去除细小文字、修复人像瑕疵；
  • 中画笔（50–100px）：适合移除LOGO、水印、电线等中等尺寸干扰物；
  • 大画笔（150px+）：快速覆盖大面积背景杂物，比如杂乱的桌面、路人甲、窗外的树杈。

• 涂抹技巧：

  • 不必追求“一笔描边”。可以多涂几遍，让白色区域略略超出实际目标边缘（约5–10像素），系统会自动羽化过渡；
  • 对于不规则形状（比如一只猫的轮廓），不必苛求完美闭合，只要主体区域被白色覆盖即可；
  • 避免“点状涂抹”——零散的小白点会让AI困惑，它需要一块有面积、有上下文的区域来推理。

3.2 橡皮擦工具：精准修正，而非推倒重来

图标是 🧽。它的存在，是为了让你在画错时，不必清空重来。

• 使用场景举例：
  • 你不小心把人物肩膀涂白了，只想去掉背景里的垃圾桶 → 用橡皮擦掉肩膀部分；
  • 水印边缘有毛刺，想微调 → 用小号橡皮擦轻轻修边；
  • 标注后发现范围太大，影响了主体 → 擦掉多余部分，保留核心区域。

关键认知：橡皮擦不是“取消操作”，而是“重新定义修复区域”。每一次擦除，都是在帮AI更准确地理解你的意图。

3.3 撤销与清除：安全网就在手边

• 撤销（↩）：支持单步回退，适用于刚涂错一笔就意识到的情况；
• 清除（）：一键清空当前所有标注（包括画笔和橡皮擦痕迹），但不删除原图。这是最常用的安全键——当你试了几次都不满意，点它，从头再来。

4. 执行修复：一次点击，全程静默等待

确认左侧画布上的白色区域已覆盖所有需移除内容后，点击那个醒目的 ** 开始修复** 按钮。

此时，右侧结果区会立刻显示状态：“初始化……”，接着变为“执行推理……”。整个过程无需你干预，也不需要你去调任何参数（没有“置信度”“迭代次数”“风格强度”这类选项）。

典型耗时参考（实测）：

• 手机拍摄人像（1080×1440）：约 8–12 秒；
• 电商主图（2000×2000）：约 15–25 秒；
• 高清风景图（3000×4000）：约 35–55 秒。

如果等待超过 90 秒，建议检查：① 图像是否超 4000px；② 是否未标注任何白色区域（状态栏会提示“ 未检测到有效的mask标注”）；③ 服务是否仍在运行（ps aux | grep app.py）。

5. 查看与导出：结果即刻可见，文件自动落盘

当状态栏变成绿色的“完成！已保存至: /root/cv_fft_inpainting_lama/outputs/outputs_20250405142233.png”，右侧结果区就会同步刷新，显示出修复后的完整图像。

这时，你有两件事可以立刻做：

5.1 对比验证：用最朴素的方式判断效果

• 把修复图和原图并排打开（截图或另存为），重点看三个地方：
  1. 修复区域内部：纹理是否自然？颜色是否与周围融合？有没有“塑料感”或“糊成一片”？
  2. 修复区域边缘：过渡是否柔和？有没有生硬的白边、黑边或色差环？
  3. 非修复区域：原图其他部分是否被意外修改？（正常情况下，LaMa 严格遵循 mask，绝不会动未标注区域）

实测中，对于“移除电线”“擦除水印”“去除路人”等常见任务，该镜像在 90% 以上场景下，首次修复即达到可交付水平。复杂场景（如透明玻璃瓶、发丝边缘）可配合“分区域多次修复”进一步提升。

5.2 下载导出：路径明确，命名规范

文件已自动保存至服务器路径：
/root/cv_fft_inpainting_lama/outputs/outputs_YYYYMMDDHHMMSS.png

• 文件名中的时间戳（如20250405142233）精确到秒，确保不重名；
• 格式固定为 PNG，无损保存，保留全部 Alpha 通道（如有）；
• 你可通过以下任一方式获取：
  • FTP/SFTP 工具（如 FileZilla）连接服务器，进入该目录下载；
  • 云平台文件管理器（如阿里云/腾讯云控制台）直接下载；
  • 终端命令快速获取（适合批量）：

    # 查看最新生成的文件 ls -t /root/cv_fft_inpainting_lama/outputs/ | head -n 1 # 复制到家目录便于下载 cp /root/cv_fft_inpainting_lama/outputs/outputs_*.png ~/ && ls ~/

隐藏技巧：修复完成后，你可以直接点击左侧画布上的“ 清除”，然后把右侧这张修复图拖回左侧——它就成了新的“原图”。这意味着，你可以对同一张图进行多轮精细化修复：第一轮去大件，第二轮修边缘，第三轮调细节。

6. 进阶实战：四类高频场景的落地要点

理论看完，不如直接上手。以下是四个真实用户最常遇到的场景，附带具体操作要点和避坑提醒。

6.1 场景一：去除半透明水印（如公众号二维码、网站LOGO）

• 问题难点：水印半透明，边缘与背景融合，单纯涂白易残留灰影；
• 推荐做法：
  1. 用中号画笔，以水印为中心，向外扩展涂抹约 15–20 像素；
  2. 特别注意水印文字的“笔画间隙”，这些地方容易漏标；
  3. 若首次修复后仍有淡影，不要加厚涂抹，而是下载后重新上传，用小画笔对残留区域单独修复。

6.2 场景二：移除前景人物（如合影中误入的陌生人）

• 问题难点：人物与背景深度交织，衣物纹理复杂；
• 推荐做法：
  1. 先用大画笔粗略圈出整个人形（宁可多包一点背景）；
  2. 切换小画笔，沿头发、衣角、手指等精细边缘补涂；
  3. 关键：确保人物脚部与地面交界处也被覆盖，否则AI可能生成“悬浮腿”。

6.3 场景三：修复老照片划痕与折痕

• 问题难点：划痕细长、方向不一，全自动修复易失真；
• 推荐做法：
  1. 放大图像（滚轮），用最小画笔（10px）逐条涂抹划痕；
  2. 对于交叉划痕，先涂一条，修复后下载，再上传修复另一条；
  3. 避免一次性涂抹整片折痕区域——那会让AI“脑补”出不存在的褶皱。

6.4 场景四：去除屏幕反光/镜头眩光

• 问题难点：高光区域亮度极高，与周围色差大，易修复成“白斑”；
• 推荐做法：
  1. 用中号画笔涂抹反光区域，并主动向周围暗部延伸 5–10 像素；
  2. 修复后若中心仍显亮，说明标注范围不够——不是模型不行，是它没被给足“上下文”。

7. 稳定性与工程化建议：让它真正成为你的生产力工具

这个镜像不是玩具，而是为日常使用设计的。以下几点，能帮你把它真正融入工作流：

• 长期运行建议：
  将start_app.sh加入开机自启（如 systemd service），避免每次重启都要手动拉起；
• 批量处理准备：
  虽然WebUI是单图交互，但其后端app.py是标准Python脚本。熟悉后，可编写简单脚本调用其API，实现“上传一批图→自动标注→批量修复”；
• 资源监控提醒：
  LaMa 推理较吃显存。若你同时跑多个AI服务，建议用nvidia-smi监控GPU占用，预留至少 3GB 显存余量；
• 版本更新与维护：
  镜像由科哥持续维护。关注其微信（312088415）获取更新通知，新版本通常包含：修复特定场景的 artifacts、提升小图修复速度、增加对 WebP 动图首帧的支持等。

8. 总结：一个回归本质的图像修复工作流

我们走完了从启动、上传、标注、修复到导出的全链路。回顾整个过程，你会发现它刻意剔除了三样东西：

• 剔除了参数焦虑：没有“CFG值”“采样步数”“去噪强度”，因为LaMa的mask驱动范式，天然就不需要这些；
• 剔除了格式转换：上传即用，导出即PNG，不强制你学BMP/EXR/TIFF；
• 剔除了学习成本：所有操作符合直觉——你想删什么，就涂什么；涂错了，就擦掉；不满意，就重来。

它不是一个“全能AI画图器”，而是一个“精准图像外科医生”：刀锋所指，只动该动之处，其余毫发无伤。

当你下次面对一张带干扰物的照片，不再需要打开PS反复尝试“内容识别填充”的成功率，也不用在十几个在线工具间反复上传测试——你只需打开浏览器，三秒上传，十秒涂抹，二十秒等待，然后，得到一张干净的结果。

这才是AI工具该有的样子：不喧宾夺主，只默默把事情做好。

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。