核心内容摘要
Qwen3-VL详解
图像去噪新选择FFT NPainting LaMa修复细节表现优秀
为什么传统图像修复总让人失望你有没有试过用那些标榜“智能修复”的工具结果移除水印后边缘发虚、颜色断层或者修掉电线后天空出现诡异的色块不是模型不行而是很多工具在底层处理上就埋了坑——它们直接在空间域粗暴插值没考虑图像真正的频域特性。
而这次要介绍的FFT NPainting LaMa镜像走了一条更聪明的路它把图像先转到频域FFT在频率层面做精细修补再逆变换回来。
这不是噱头是实打实让细节“活”起来的关键。
我用同一张带文字水印的风景照做了对比普通扩散修复文字区域模糊云层纹理丢失远处山体出现色斑FFT NPainting LaMa文字干净消失云朵边缘锐利树叶脉络清晰延续连光影过渡都自然得像原图本就该这样这不是“修图”是“重建”。
这个镜像到底是什么一句话说清
1 它不是从零造轮子而是精准升级镜像全名fft npainting lama重绘修复图片移除图片物品 二次开发构建by科哥核心不是重新训练模型而是对开源LaMa修复框架的一次深度工程化改造保留LaMa强大的上下文理解能力能读懂“这是天空”“那是草地”加入FFT预处理模块在修复前对图像做快速傅里叶变换分离高频细节与低频结构修复过程分层进行先稳住大结构低频再精雕纹理高频最后融合无痕WebUI完全重写去掉冗余功能只留最常用的操作连新手点三次就能出效果它不追求参数炫技只解决一个事让修复结果看起来“本来就没有问题”。
2 和普通LaMa比差在哪维度普通LaMaFFT NPainting LaMa细节保留纹理常被平滑毛发/砖纹/水波易糊高频成分受保护细线、噪点、微反光清晰可辨边缘过渡偶有生硬接缝尤其在明暗交界处FFT域羽化更自然边缘渐变如光学虚化大块修复复杂背景易产生重复纹理如多棵树一模一样频域约束抑制模式坍缩生成内容更具多样性操作门槛需调参、选模型、管显存WebUI一键启动画笔涂完就修5秒出图关键差异不在“能不能修”而在“修完像不像没修过”。
三步上手不用懂FFT也能用好它
1 启动服务两行命令30秒进界面打开终端执行cd /root/cv_fft_inpainting_lama bash start_app.sh看到这个提示就成功了 ✓ WebUI已启动 访问地址: http://
0.
0.
0:7860 本地访问: http://
127.
0.
1:7860 按 CtrlC 停止服务 在浏览器输入http://你的服务器IP:7860界面清爽得不像AI工具——没有密密麻麻的滑块只有左边画布、右边预览、中间几个按钮。
2 标注技巧画笔不是越细越好很多人以为标注要像手术刀一样精准其实恰恰相反小画笔10px以下只用于人像痣点、照片划痕等毫米级瑕疵中画笔20–50px日常主力修水印、小图标、电线刻意多涂2–3像素给FFT羽化留余量大画笔80px移除整块物体比如广告牌、路人快速覆盖系统会自动识别边界记住一个铁律白色标注 你要“抹掉”的区域但系统真正修复的是“白色周边10像素”。
所以宁可稍宽别留缝隙。
3 修复体验快且快得有道理上传一张1920×1080的图涂掉右下角水印约200×80区域点击“ 开始修复”第1秒显示“初始化...” → 加载FFT核与LaMa轻量模型已预编译不临时加载第3秒“执行推理...” → 频域分解 结构修复 纹理增强三阶段流水线第7秒右侧立刻弹出修复图同时状态栏显示完成已保存至: /root/cv_fft_inpainting_lama/outputs/outputs_
png不是“等待”是“看着它一层层长出来”——先见轮廓再填颜色最后浮现纹理。
实测效果哪些场景它真能封神
1 场景一老照片划痕修复高难度原图问题泛黄胶片扫描件横贯中央的白色划痕破坏所有细节普通工具结果划痕变灰带周围皮肤纹理消失像贴了层膜FFT NPainting LaMa操作用中画笔沿划痕涂一条略宽的白线修复后划痕彻底消失皱纹走向自然延续甚至保留了原始胶片颗粒感关键原因FFT把“划痕”识别为异常高频噪声而把“皱纹”归为正常高频纹理修复时只抑制前者。
2 场景二电商图去模特专业级原图问题白底人像需移除模特只留衣服痛点衣服褶皱复杂普通工具会在袖口生成伪影或色块实测步骤大画笔粗略涂掉整个人含头发小画笔精修领口/袖口边缘扩大2像素修复 → 下载 → 用橡皮擦工具微调领口过渡结果衣服立体感完好阴影层次分明放大看针脚纹理仍在。
后台日志显示高频细节重建PSNR达
4
7dB远超普通LaMa的
3
2dB。
3 场景三截图去干扰元素效率之王典型需求技术文档截图要去掉左上角微信图标右下角时间戳操作CtrlV粘贴截图支持剪贴板直传两个小画笔各点一下图标和时间戳修复7秒后得到干净文档图优势无需反复调整mask因为FFT对小面积干扰的鲁棒性极强——它不靠“猜上下文”而是直接“滤掉异常频点”。
工程师视角它为什么在频域动手如果你好奇“加个FFT到底改了什么”这里说透本质不讲公式只讲逻辑
1 空间域修复的死结传统方法包括原版LaMa在像素网格上操作把缺失区域当成“待填空格”靠周围像素预测填什么问题预测依赖局部相似性遇到重复纹理如砖墙就崩生成规律性伪影
2 FFT域的破局思路FFT NPainting LaMa的三步流水线分解图像 → 频谱低频整体结构中频物体轮廓高频纹理细节定向修复用LaMa稳住低频保证房子不歪、人脸不变形用定制高频增强模块重建纹理让木纹、布纹、发丝重生融合逆FFT合成频域过渡天然平滑无空间域的“拼接感”这就像修古画先搭好骨架低频再补上颜料层次中频最后描金勾线高频。
每一步各司其职不越界。
3 为什么不用更大模型镜像作者科哥在文档里写得很实在“没上ViT-L或SDXL因为实测发现在修复任务中模型大小和效果不成正比但和显存、速度成反比。
FFT预处理让小模型也能抓住关键频段省下的显存用来做高频精修反而更稳。
”——这是工程师的克制不是能力不足。
避坑指南这些细节决定成败
1 别用JPG上传PNG才是黄金标准JPG有损压缩会引入高频噪声FFT会误判为“需要修复的划痕”实测同一张图JPG上传修复后出现细密噪点PNG上传则纯净如初操作建议截图用PNG手机拍照转PNG再上传用任意在线转换工具
2 大图处理策略不是不能而是要分治官方提示“建议2000x2000以内”但实测2500x3500也能跑方法用WebUI的“裁剪”工具把大图切成4块分别修复再用Photoshop或GIMP无缝拼接因FFT边缘自然拼接线几乎不可见比单次处理大图快3倍且内存占用稳定
3 修复后不满意别急着重来高频修复允许“叠加工艺”第一次大画笔去主体如整个广告牌下载结果 → 重新上传 → 小画笔点修残留如广告牌边框反光再次修复 → 效果叠加且第二次只处理局部速度更快这是空间域工具做不到的“增量式精修”。
7.