从0开始学图像修复，FFT NPainting LAMA手把手教学来了
图像修复不是魔法，但用对工具，它真的能让你像拥有魔法一样——删掉照片里乱入的电线、抹去老照片上的划痕、去掉截图里的水印、甚至把合影中不想要的人“悄悄请走”。今天要讲的这套系统，不靠Photoshop的复杂图层和蒙版，也不需要你懂深度学习原理，只需要会用画笔涂几下，就能得到自然、连贯、细节丰富的修复结果。
它就是：FFT NPainting LAMA图像修复系统。这不是一个云端API，也不是需要配环境、装依赖、调参数的命令行工具，而是一个开箱即用、界面清晰、操作直觉的WebUI应用——由开发者“科哥”基于LAMA模型二次开发构建，融合了频域修复（FFT）与空间域重绘（NPainting）双路能力，专为实用场景打磨。
这篇文章不讲论文、不推公式、不堆术语。我们只做一件事：带你从零开始，真正用起来，修出第一张让人眼前一亮的图。无论你是设计师、运营、摄影师，还是刚接触AI图像处理的小白，只要你会上传图片、会拖鼠标画几笔，就能上手。
1. 先搞清楚：它到底能帮你做什么？
别被“FFT”“LAMA”这些词吓住。它们只是背后的技术代号，对你来说，真正重要的是——它解决了哪些你每天都会遇到的麻烦事？
1.1 它不是“一键美颜”，而是“精准擦除+智能重建”
很多AI修图工具要么太粗暴（一键模糊背景），要么太笼统（自动识别“人”就删），而本系统的核心逻辑是：你指哪，它修哪；你标多细，它补多真。
- 你用画笔圈出水印 → 它分析周围纹理、颜色、结构，生成无缝填充
- 你涂抹掉路人甲 → 它理解地面材质、光影方向、景深关系，还原出“本来就在那儿”的背景
- 你擦掉老照片的裂痕 → 它保留原有颗粒感与色调，不做成塑料感新图
这不是“覆盖”，而是“重建”；不是“糊弄”，而是“理解”。
1.2 它为什么比普通inpainting更稳？
关键在“FFT”二字。传统图像修复主要在像素空间（RGB）操作，容易出现色块、模糊、边缘生硬等问题。而本系统引入快速傅里叶变换（FFT）预处理，先将图像转换到频域，强化纹理结构信息、抑制噪声干扰，再结合LAMA的高分辨率生成能力进行空间重绘。简单说：
- 普通修复：看“这块颜色像什么” → 填个差不多的色块
- FFT+LAMA修复：看“这块的线条走向、重复频率、明暗节奏是什么” → 还原出符合物理规律的结构
所以你会发现：修完的电线消失处，砖缝依然对齐；删掉的广告牌位置，墙面反光依旧自然；移除的杂物边缘，没有一圈发虚的“毛边”。
1.3 它不挑人，也不挑图
- 不需要你懂Python或CUDA：全程网页操作，浏览器打开就能用
- 不卡配置：服务端已预装全部依赖（PyTorch、OpenCV、LAMA模型等），无需你编译安装
- 支持常见格式：PNG、JPG、JPEG、WEBP，上传即用
- 对中文友好：界面全中文，微信可直接联系开发者答疑
一句话总结：它把专业级图像修复能力，封装成了一支画笔。
2. 三分钟启动：服务跑起来，界面亮出来
别担心“部署”这个词。这里没有Docker命令、没有conda环境、没有requirements.txt报错。整个过程只需两步，终端敲两行命令。
2.1 启动服务（仅需一次）
登录你的Linux服务器（支持Ubuntu/CentOS/Debian），执行以下命令：
cd /root/cv_fft_inpainting_lama bash start_app.sh看到如下提示，说明服务已成功运行：
===================================== ✓ 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：如果你是在云服务器上运行，记得在安全组中放行端口
7860；若本地测试，直接访问http://127.0.0.1:7860即可。
2.2 打开界面：就像打开一个网页
在任意浏览器中输入地址：http://你的服务器IP:7860（如http://192.168.1.100:7860或http://127.0.0.1:7860）
你会看到一个干净、直观的界面，顶部写着“ 图像修复系统”，左半边是编辑区，右半边是结果预览区——没有菜单栏迷宫，没有设置弹窗轰炸，只有最核心的四个动作：上传、画、擦、修。
3. 四步实操：修一张图，从上传到保存
我们用一张真实场景来练手：去除电商商品图中的参考线水印（常见于拍摄样张时辅助构图的红色十字线）。
3.1 第一步：上传图像（3种方式任选）
- 点击上传：点击左侧大方框，选择本地图片文件
- 拖拽上传：直接把图片文件拖进方框内（支持多图，但一次只处理一张）
- 粘贴上传：截图后按
Ctrl+V，图像自动载入（超适合快速处理聊天截图、网页截屏）
支持格式：PNG（推荐，无损）、JPG/JPEG（通用）、WEBP（现代格式）
建议尺寸：单边不超过2000像素（太大影响响应速度，后续可裁剪再传）
3.2 第二步：标注修复区域（关键！画得准，修得真）
这是整个流程中唯一需要你动手判断的环节。系统不会猜你要修哪里，它只忠实执行你画出的“白色区域”。
- 点击工具栏的画笔图标（默认已激活）
- 调整右上角的画笔大小滑块：
- 小画笔（10–30px）：修文字、小水印、人像瑕疵
- 中画笔（50–100px）：修LOGO、电线、小物件
- 大画笔（150px+）：修大面积遮挡、背景替换
- 在水印线上涂抹白色：确保完全覆盖红线，可略向外延展2–3像素（系统会自动羽化过渡）
- 如涂过头？点橡皮擦图标，轻轻擦掉多余部分
实战技巧：对于细长水印（如十字线），建议用小画笔沿线条“描边”，比大块涂抹更精准；若水印半透明，可涂两遍增强mask强度。
3.3 第三步：点击修复（等待几秒，见证变化）
点击醒目的 ** 开始修复** 按钮。
界面上方状态栏会实时显示进度：
初始化...→ 加载模型权重（首次运行稍慢，后续极快）执行推理...→ FFT预处理 + LAMA生成（通常5–25秒，取决于图大小）完成！已保存至: /root/cv_fft_inpainting_lama/outputs/outputs_20240520143022.png
右侧立刻显示修复后的完整图像——注意观察原水印位置：线条消失，但砖墙纹理连续、阴影方向一致、明暗过渡自然。
3.4 第四步：查看与保存（结果就在你手边）
- 结果预览：右侧大图即最终效果，支持缩放查看细节
- 保存路径：状态栏已明确写出，如
/root/cv_fft_inpainting_lama/outputs/outputs_20240520143022.png - 下载方式：
- 通过FTP/SFTP连接服务器，进入该目录下载
- 或使用宝塔面板、Cpolar内网穿透等工具，将
outputs/目录映射为网页可访问路径
- 重试快捷键：点 ** 清除**，一切归零，重新上传、重画、重修
验证效果小方法：把修复前后两张图并排打开，快速切换查看——真正的修复，是“看不出修过”。
4. 进阶用法：让修复效果更上一层楼
基础操作能解决80%需求，但遇到复杂场景，掌握这几个技巧，能让效果从“还行”跃升到“惊艳”。
4.1 边缘痕迹？扩大标注，交给系统羽化
有时修复后边缘有一圈轻微色差或模糊。这不是模型不行，而是标注太“紧”。正确做法是：
- 用橡皮擦清理掉紧贴边缘的白色
- 切换回画笔，向外扩展2–5像素再涂一遍
- 系统内置的边缘优化模块会自动融合过渡，比手动羽化更自然
4.2 大面积物体？分区域多次修复
比如要删掉一张风景照中的整辆汽车：
- 先画出车窗区域 → 修复 → 下载中间结果
- 再上传这张已修复的图 → 画出车身 → 修复
- 最后画出车轮 → 修复
分步操作，避免一次性覆盖过大区域导致结构失真，也便于逐次调整。
4.3 多人物合影？局部精修不伤整体
想删掉合照中某位朋友，又怕背景草地/天空被带偏？
- 用小画笔只涂人脸轮廓+肩膀（避开衣领、头发边缘）
- 修复后，若发际线衔接生硬，再上传结果图 → 用更小画笔（10px）微调发丝边缘
- 系统对局部高频细节（如发丝、睫毛）有专门优化，越精细标注，越能激发细节还原力
4.4 保持风格统一？用同一张图反复迭代
所有修复都基于原始图像的统计特征（颜色分布、纹理频谱）。因此：
- 第一次修复后，不要急着导出最终图
- 直接点击 ** 清除**，再上传刚生成的
outputs_xxx.png - 继续标注下一个待修复区域
这样能确保整张图的色调、对比度、噪点水平高度一致，避免“拼接感”。
5. 真实场景对照：它在这些地方真的省时间
理论不如案例直观。以下是开发者实测的4类高频需求，附效果说明与耗时参考：
| 场景 | 操作要点 | 效果亮点 | 平均耗时 |
|---|---|---|---|
| 去除截图水印（如公众号二维码、平台LOGO） | 用中画笔完整覆盖水印，略扩边 | 水印消失，底图文字/表格无扭曲，线条锐利 | 8–12秒（1080p图） |
| 移除照片路人（街拍、旅游照） | 标注全身轮廓，注意头发与背景交界处 | 背景建筑/树木自然延续，光影方向一致，无塑料感 | 15–22秒（1200x1800） |
| 修复老照片划痕（扫描件） | 小画笔沿划痕描线，宽度≈划痕2倍 | 划痕消失，原图胶片颗粒感保留，不显“AI平滑” | 6–10秒（800x1000） |
| 删除PPT截图中的批注框 | 涂满框体+箭头，避开正文文字 | 框体消失，文字行距不变，底色均匀无色块 | 5–8秒（1920x1080） |
注意：所有测试均在单卡RTX 3060（12G）环境下完成。CPU用户可能延长30–50%，但功能完全一致。
6. 常见问题速查：遇到卡点，30秒找到答案
不用翻文档、不用搜论坛，这里整理了新手最常问的6个问题，答案直接给你：
Q1：修复后颜色偏灰/发亮，怎么办？
A：确保上传的是标准RGB图像（非CMYK或带ICC配置文件）。若仍异常，尝试用画图工具另存为PNG后再传。
Q2：画笔没反应？鼠标点不动？
A：检查是否误点了“橡皮擦”或“裁剪”工具；确认浏览器未开启“禁止JS”；推荐Chrome/Firefox最新版。
Q3：修复后出现奇怪色块或马赛克？
A：大概率是标注区域有断点或未闭合。放大检查mask是否连成一片白色；用橡皮擦清理碎点，再重涂。
Q4：大图上传失败或卡在“初始化”？
A：压缩图像至单边≤2000px（可用https://squoosh.app免费压缩）；或检查服务器内存是否充足（建议≥8GB）。
Q5：找不到输出文件？路径对不上？
A：绝对路径固定为/root/cv_fft_inpainting_lama/outputs/，文件名含时间戳（如outputs_20240520143022.png），可通过ls -lt /root/cv_fft_inpainting_lama/outputs/查看最新文件。
Q6：想改界面文字/加自己Logo？
A：本系统开源可二次开发。核心前端代码在/root/cv_fft_inpainting_lama/webui/，修改index.html即可；如需协助，微信联系科哥（312088415）。
7. 总结：图像修复，本该如此简单
回顾这一路：
- 我们没写一行Python，却跑起了LAMA模型；
- 我们没调一个超参，却用上了FFT频域增强；
- 我们只涂了几笔白色，就让一张带水印的商品图变得干净专业。
这正是AI工具该有的样子——技术隐身，体验显形。它不炫耀算力，不强调架构，只专注解决你眼前那个具体的、烦人的、耽误工期的小问题。
你现在完全可以关掉这篇教程，打开浏览器，上传一张最近让你头疼的图，用画笔圈出它，点下“ 开始修复”。5秒钟后，你会看到：问题消失了，而你，已经掌握了这项能力。
图像修复没有门槛，只有开始。而你的第一次修复，就从现在开始。
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。
