零基础学图像修复：FFT NPainting LaMa手把手教学
你是否遇到过这样的困扰：一张珍贵的老照片上有划痕，一张产品图里有碍眼的水印，一张旅行照中闯入了不想出现的路人？删不掉、盖不住、修不好——直到现在。
今天这篇教程，不讲傅里叶变换的数学推导，不堆代码参数，也不让你配环境、装依赖。我们直接用科哥二次开发的FFT NPainting LaMa图像修复镜像，在浏览器里点点画画，5分钟内就把图片里的“不想要”彻底抹去，还让周围内容自然融合、毫无痕迹。
它不是Photoshop插件，不是云端付费服务，而是一个开箱即用的本地WebUI系统——背后融合了LaMa（SOTA图像修复模型）、频域增强策略（FFT预处理）与NPainting交互逻辑，专为普通人设计。下面，咱们就从零开始，一步步把它用起来。
1. 什么是FFT NPainting LaMa？它能做什么？
1.1 一句话说清它的本质
这不是一个“又一个AI修图工具”，而是一套面向工程落地的图像修复工作流：
- LaMa负责核心修复能力（基于深度学习，擅长大区域、复杂纹理填充）；
- FFT预处理提升高频细节恢复质量（让修复后的边缘更锐利、纹理更真实，尤其对文字、线条、金属反光等效果显著）；
- NPainting交互逻辑指的是“所见即所画”的标注方式——你用画笔涂哪，它就修哪，像在纸上作画一样直观。
它不生成新内容，不脑补不存在的物体，而是忠实理解图像上下文，智能填补被遮盖/移除区域。所以它特别适合：去水印、删路人、修划痕、擦文字、补残缺、换背景前清理等“减法型”任务。
1.2 和普通修图工具有什么不同？
| 对比项 | 传统PS内容识别（如“对象选择”） | 在线AI修图（如Remove.bg） | FFT NPainting LaMa |
|---|---|---|---|
| 控制精度 | 依赖自动识别，边界常毛糙 | 完全黑盒，无法调整修复范围 | 你亲手画，想修多大、在哪修，全由你定 |
| 修复质量 | 小区域尚可，大块易失真 | 仅支持人像/简单背景，泛化弱 | 支持任意场景：建筑、文档、手绘、截图、老照片 |
| 本地运行 | 是（但需手动操作） | 否（上传至服务器，隐私风险） | 全程离线，图片不离开你的机器 |
| 二次开发友好 | 不开放底层 | 不开放 | 开源架构，支持自定义模型、参数、UI逻辑 |
它不是替代PS，而是把PS里最耗时的“选区+填充”两步，压缩成一次涂抹+一次点击。
2. 三步启动：5分钟跑通整个流程
别担心命令行、别怕报错、不用查端口。这套镜像已为你预置好所有依赖，只需三步：
2.1 启动服务（只需一条命令）
打开终端（SSH或本地），执行：
cd /root/cv_fft_inpainting_lama bash start_app.sh看到如下提示，说明服务已就绪：
===================================== ✓ 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 =====================================小贴士：如果你是云服务器用户，把0.0.0.0:7860中的0.0.0.0换成你的服务器公网IP，例如http://123.45.67.89:7860，即可从任意电脑浏览器访问。
2.2 打开界面（无需安装任何软件）
在Chrome/Firefox/Edge中打开地址：http://你的服务器IP:7860（本地测试用http://127.0.0.1:7860）
你会看到一个干净的双栏界面——左边是画布，右边是结果预览，顶部有清晰的功能按钮。没有广告、没有注册、没有试用限制。
2.3 上传一张图，试试手感
支持三种方式任选其一：
- 点击左侧虚线框 → 选择本地图片（PNG/JPG/JPEG/WEBP）
- 直接把图片文件拖进虚线框内
- 复制一张截图（Win:
Win+Shift+S，Mac:Cmd+Shift+4），然后在页面任意位置按Ctrl+V
上传成功后，图像会自动居中显示在左侧画布上。此时，你已经站在了图像修复的起点。
3. 核心操作详解：怎么画，才能修得准？
修复效果好不好，70%取决于这一步——如何标注需要修复的区域。它不是“越细越好”，而是“恰到好处”。
3.1 认清两个关键工具
| 工具 | 图标 | 作用 | 使用时机 |
|---|---|---|---|
| 画笔（Brush） | 🖌 | 涂抹白色区域，告诉系统：“这里我要修” | 默认激活，上传图后直接开画 |
| 橡皮擦（Eraser） | 擦除已涂的白色，修正误标区域 | 画多了、画歪了、想微调时用 |
注意：整个标注过程只产生一个“白色蒙版（mask）”，系统根据这个蒙版+原图，驱动LaMa模型推理修复。
3.2 标注四原则（实测有效）
宁大勿小
白色区域要略微超出目标物体边缘（比如去水印，把水印+周围2~3像素一起涂白）。LaMa会自动羽化过渡，太窄反而容易留边。避开精细结构交界处
如人脸眼睛和皮肤交界、文字和背景交界——这些地方建议用小号画笔（滑块调至20~40），分段轻涂，不要一笔拉过去。大面积用大笔，小瑕疵用小笔
- 移除整张桌子？用大画笔（80~120）快速扫一遍
- 修掉照片上一颗小痣？切到小画笔（10~20），点涂即可
不确定？先少涂，再补
第一次不用追求全覆盖。点“ 开始修复”看效果，不满意就点“ 清除”，重新上传原图，针对性补涂。
实测案例：一张带“样片”水印的服装图，用中号画笔（60）沿水印外缘描一圈（比水印宽约5像素），修复后完全无痕，连布料纹理都自然延续。
3.3 快速上手练习：30秒去除一张截图水印
- 截一张带系统水印的桌面图（如Windows右下角时间、Mac菜单栏图标）
- 上传到WebUI
- 用中号画笔（50），围绕水印外围画一个松散的圈（不用抠字形）
- 点击 ** 开始修复**
- 等待10秒左右，右侧即显示修复图
- 对比原图：水印消失，背景平滑无缝
你刚刚完成了一次完整的AI图像修复闭环——没有一行代码，没有一个参数设置。
4. 进阶技巧：让修复效果从“能用”到“惊艳”
基础操作能解决80%需求，但以下技巧，能帮你应对更复杂的场景，效果提升一个量级。
4.1 分区域多次修复（对付大图/多目标）
一张图里既有水印，又有路人，还有镜头污点？别试图一次涂完。
正确做法：
- 先涂水印区域 → 修复 → 下载结果图（路径：
/root/cv_fft_inpainting_lama/outputs/） - 重新上传这张已修复的图 → 再涂路人区域 → 修复
- 如此循环，每次只聚焦一个目标
优势：避免模型因区域过大而模糊细节，也方便你逐个验收效果。
4.2 边缘生硬？扩大标注+重试
如果修复后物体边缘有“塑料感”或明显分界线：
- 点“ 清除”
- 重新上传原图（不是上次修复图）
- 用比上次更大一号的画笔，把标注区域向外扩展3~5像素
- 再次修复
原理：LaMa的FFT增强模块对边缘信息更敏感，稍宽的mask能让它获取更充分的上下文纹理。
4.3 文字残留？分段+加厚标注
中英文混排、半透明文字、艺术字体容易修不干净。
解决方案：
- 不要整块涂，把文字拆成2~3组（如标题+正文+页脚）
- 每组单独涂白、单独修复
- 对残留笔画，用小画笔（15）加厚涂一次（覆盖原标注层）
实测：PDF截图中的宋体小字，分两次修复后，背景纯色一致，无锯齿无重影。
4.4 修复后颜色偏灰？检查输入格式
LaMa对色彩空间敏感。若发现修复区域整体发灰、发暗：
- 用画图/Preview等基础工具，将原图另存为PNG格式（无损）再上传
- 避免直接上传微信/QQ转发的JPG（已被多次压缩）
- 如必须用JPG，上传前用手机相册“编辑→增强”提亮一下
注：该镜像已内置BGR转RGB自动校正，但源头质量仍是效果上限。
5. 常见问题实战解答（都是踩坑后总结）
我们整理了新手最常卡住的6个问题，附带可立即验证的解决方案：
5.1 Q：点“ 开始修复”没反应，状态栏一直显示“等待上传图像并标注修复区域...”
A：检查两点
- 是否真的上传了图？（左上角应显示缩略图）
- 是否涂了白色？（用鼠标在画布上轻轻划一下，看是否有白色出现）
→ 若都确认，刷新页面重试。极少数情况是浏览器缓存，换Chrome即可。
5.2 Q：修复后整张图变紫/变绿/严重色偏
A：这是输入图含非标准色彩配置文件（ICC Profile）导致。
快速解决：用系统自带“照片”App（Win/Mac）打开原图 → “另存为” → 取消勾选“保留配置文件” → 保存为新PNG再上传。
5.3 Q：处理到一半卡住，进度条不动
A：大概率是图太大（>2500px）。
立即操作：
- 按
Ctrl+C终止当前服务 - 用在线工具（如 TinyPNG）将图压缩至2000px宽以内
- 重启服务，重试
5.4 Q：修复区域出现奇怪的斑点或重复纹理
A：这是模型对局部高频噪声过拟合。
解决：上传前，用手机相册“降噪”功能轻微处理原图（10%强度即可），或用PS“滤镜→杂色→去斑”预处理。
5.5 Q：想批量处理100张图，能自动化吗？
A：可以。该镜像提供Python API接口（位于/root/cv_fft_inpainting_lama/api.py）。
示例脚本（需基础Python）：
import requests import base64 def repair_image(image_path): with open(image_path, "rb") as f: img_b64 = base64.b64encode(f.read()).decode() payload = {"image": img_b64, "mask": "auto"} # auto表示自动检测水印区域 r = requests.post("http://127.0.0.1:7860/api/repair", json=payload) with open("output.png", "wb") as f: f.write(base64.b64decode(r.json()["result"])) repair_image("input.jpg")（详细API文档见镜像内api_doc.md）
5.6 Q：修复结果满意，但找不到保存的文件？
A：默认路径是：/root/cv_fft_inpainting_lama/outputs/outputs_YYYYMMDDHHMMSS.png
快速定位：
- 在WebUI右下角状态栏，会明确显示完整路径（如
已保存至: /root/.../outputs_20240520143022.png） - 或直接在终端执行：
ls -lt /root/cv_fft_inpainting_lama/outputs/ | head -5
6. 它适合谁？哪些场景能真正提效？
别被“FFT”“LaMa”这些词吓到。这套工具的价值，不在技术多前沿，而在把专业能力平民化。
6.1 推荐给这5类人
| 用户类型 | 典型需求 | 节省时间 | 效果提升点 |
|---|---|---|---|
| 电商运营 | 每日处理50+商品图去水印、删模特、换背景 | 从2小时→15分钟 | 修复后可直接上架，无须美工复核 |
| 自媒体作者 | 截图带平台Logo、录屏有个人信息 | 单图30秒搞定 | 保护隐私同时保持画面专业感 |
| 教师/学生 | 课件PPT截图去网址、论文插图修瑕疵 | 避免反复返工 | 学术图表修复后仍保持数据可读性 |
| 老照片修复师 | 扫描件划痕、霉斑、折痕 | 修复效率提升3倍 | FFT增强让纸张纹理、墨迹层次更真实 |
| 开发者/产品经理 | 快速生成UI原型图、Mockup去占位符 | 设计评审提速50% | 无需等设计师，自己动手改图 |
6.2 三个真实场景效果对比
场景1：公众号长图去平台水印
- 原图：微信公众号文章长截图，底部有灰色“本文转载自XXX”
- 操作：中号画笔沿文字下方涂一条宽10px白带
- 结果：修复后背景为均匀渐变灰，文字区域完全不可辨，阅读体验无中断
场景2：产品摄影图移除反光板支架
- 原图：静物拍摄，金属反光板支架入镜
- 操作：小号画笔（25）沿支架轮廓精修两遍
- 结果：支架消失，金属表面高光自然延续，无塑料感
场景3：扫描文档去装订孔阴影
- 原图：A4纸扫描件，左侧有2个圆形阴影
- 操作：用圆形选区工具（WebUI未来版本将支持）辅助涂白
- 结果：阴影消除，纸张纹理连续，OCR识别准确率从82%→99%
7. 总结：你真正学会了什么？
回顾这趟零基础之旅，你已掌握：
不是记住一堆概念，而是获得一项可立即使用的技能：上传→涂抹→点击→下载，四步闭环；
不是被工具牵着走，而是掌握了决策权：什么时候该扩大标注、什么时候该分区域、什么格式最稳妥；
不是停留在“能用”，而是理解了“为什么这样更好”：FFT如何帮LaMa守住细节，LaMa为何比传统算法更懂语义；
不是孤立使用，而是打开了延展可能：从手动操作，到批量API，再到二次开发定制。
图像修复的本质，从来不是“让AI替你思考”，而是给你一把更精准的刻刀，让你亲手雕琢视觉表达。而FFT NPainting LaMa，就是那把此刻已握在你手中的刻刀。
下一步，挑一张你最近想处理却一直搁置的图，打开浏览器，开始第一笔涂抹吧。
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。
)
)
