尧图网页设计 
LaMa图像修复实战指南一条命令修复大掩码512×512练到2K分辨率【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lamaLaMa 是一款基于傅里叶卷积的大掩码图像修复工具WACV 2022。给它一张照片和一张标记待移除区域的掩码它输出填满该区域的完整图。典型场景照片里建筑外墙贴了广告把广告框进掩码跑一次命令就能拿到干净墙面。 傅里叶卷积修复为什么稳LaMa 的生成器是 ffc_resnet下采样层与残差块按 75% 傅里叶全局卷积加 25% 局部卷积混合n_blocks9定义在 configs/training/generator/ffc_resnet_075.yaml。全局感受野让窗格、地板这类周期纹理不容易被修坏。官方 README 明确写了模型只在 256×256 上训练却能很好地泛化到约 2k 的更高分辨率周期结构场景下表现也不掉链子。⚙️ 修复环境怎么搭4 行装完系统Linux仓库 conda 环境锁定 Linux x86_64Pythonconda 环境固定 3.6.13virtualenv 路线需 PyTorch 1.8.0 torchvision 0.9.0GPUCUDA 10.2无卡时推理可加 devicecpu依赖hydra-core 1.1.0、pytorch-lightning 1.2.9 等都在 requirements.txt 里git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama pip install -r requirements.txt 第一次图像修复一条命令出图两步前置。一是拿预训练权重按 README 里的地址下载 big-lama 权重包并解压得到一个含 config.yaml 和 models/best.ckpt 的目录。二是备数据图片与掩码放同一目录掩码命名为「图片名_maskXXX_后缀」例如 image1.png 配 image1_mask001.png后缀不是 .png 时同步改 configs/prediction/ 里 default.yaml 的 dataset.img_suffix。然后执行export TORCH_HOME$(pwd) PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/output产出写在 outdir示例是 output/每张输入对应一张与掩码同名的修复图扩展名由 out_ext 决定默认 .png。 参数速查模型、掩码、输出怎么选参数作用建议值何时调整model.path预训练模型目录不是 .ckpt 文件big-lama换场景专用模型训练配置都在 configs/training/indir / outdir输入与输出目录LaMa_test_images / output换数据目录时dataset.img_suffix输入图片后缀.png数据是 .jpg 等后缀时refine是否跑多尺度精修False质量要求高时设 Truerefiner.max_scales / n_iters精修金字塔层数 / 每层迭代数3 / 15内存吃紧时先降 max_scales掩码配置configs/data_gen/掩码形状与分辨率random_thick_512.yaml细划痕用 thin大区域用 thick表里的掩码配置喂给 bin/gen_mask_dataset.py它把原图裁剪成 512×512 方图并生成掩码。thick 配置把遮挡比例 max_tamper_area 限在 0.5 以内。以 countless3d 掩码生成为例运行期间内存稳定在 400MiB 上下countless 工具还支持按语义分割生成掩码下图是一张分割掩码示例图⚠️ 翻车清单4 个高频问题怎么修产出的图比预期少日志提示找不到掩码→ 原因图片和掩码不同目录或命名不符合「图片名_maskXXX_后缀」规则 → 改法按 image1.png 配 image1_mask001.png 的格式重命名并核对 dataset.img_suffix。大图推理很慢或内存不够→ 原因refineTrue 会搭下采样金字塔受 px_budget1800000 像素和 min_side512 约束 → 改法先用 refineFalse 跑通再精修纯 CPU 机器在命令尾部加 devicecpu。修复处纹理错位、边缘发糊→ 原因精修迭代不足或掩码形态与场景不匹配 → 改法设 refineTruerefiner 会在 max_scales3 层各跑 n_iters15 次细划痕场景改用 configs/data_gen/ 里的 thin 配置重新生成掩码。加载模型时报错→ 原因model.path 必须指向含 config.yaml 的目录不能直接指 .ckpt 文件 → 改法解压权重包后指向 big-lama 目录checkpoint 默认读 models/best.ckpt。需要自己训模型或量化对比修复质量时仓库里入口都现成训练脚本 bin/train.py指标评估脚本 bin/evaluate_predicts.pyFID/SSIM/LPIPS配置见 configs/eval2_gpu.yaml数据准备脚本在 fetch_data/。【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LaMa图像修复实战指南：一条命令修复大掩码，512×512练到2K分辨率
LaMa图像修复实战指南一条命令修复大掩码512×512练到2K分辨率【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lamaLaMa 是一款基于傅里叶卷积的大掩码图像修复工具WACV 2022。给它一张照片和一张标记待移除区域的掩码它输出填满该区域的完整图。典型场景照片里建筑外墙贴了广告把广告框进掩码跑一次命令就能拿到干净墙面。 傅里叶卷积修复为什么稳LaMa 的生成器是 ffc_resnet下采样层与残差块按 75% 傅里叶全局卷积加 25% 局部卷积混合n_blocks9定义在 configs/training/generator/ffc_resnet_075.yaml。全局感受野让窗格、地板这类周期纹理不容易被修坏。官方 README 明确写了模型只在 256×256 上训练却能很好地泛化到约 2k 的更高分辨率周期结构场景下表现也不掉链子。⚙️ 修复环境怎么搭4 行装完系统Linux仓库 conda 环境锁定 Linux x86_64Pythonconda 环境固定 3.6.13virtualenv 路线需 PyTorch 1.8.0 torchvision 0.9.0GPUCUDA 10.2无卡时推理可加 devicecpu依赖hydra-core 1.1.0、pytorch-lightning 1.2.9 等都在 requirements.txt 里git clone https://gitcode.com/GitHub_Trending/la/lama cd lama conda env create -f conda_env.yml conda activate lama pip install -r requirements.txt 第一次图像修复一条命令出图两步前置。一是拿预训练权重按 README 里的地址下载 big-lama 权重包并解压得到一个含 config.yaml 和 models/best.ckpt 的目录。二是备数据图片与掩码放同一目录掩码命名为「图片名_maskXXX_后缀」例如 image1.png 配 image1_mask001.png后缀不是 .png 时同步改 configs/prediction/ 里 default.yaml 的 dataset.img_suffix。然后执行export TORCH_HOME$(pwd) PYTHONPATH$(pwd) python3 bin/predict.py model.path$(pwd)/big-lama indir$(pwd)/LaMa_test_images outdir$(pwd)/output产出写在 outdir示例是 output/每张输入对应一张与掩码同名的修复图扩展名由 out_ext 决定默认 .png。 参数速查模型、掩码、输出怎么选参数作用建议值何时调整model.path预训练模型目录不是 .ckpt 文件big-lama换场景专用模型训练配置都在 configs/training/indir / outdir输入与输出目录LaMa_test_images / output换数据目录时dataset.img_suffix输入图片后缀.png数据是 .jpg 等后缀时refine是否跑多尺度精修False质量要求高时设 Truerefiner.max_scales / n_iters精修金字塔层数 / 每层迭代数3 / 15内存吃紧时先降 max_scales掩码配置configs/data_gen/掩码形状与分辨率random_thick_512.yaml细划痕用 thin大区域用 thick表里的掩码配置喂给 bin/gen_mask_dataset.py它把原图裁剪成 512×512 方图并生成掩码。thick 配置把遮挡比例 max_tamper_area 限在 0.5 以内。以 countless3d 掩码生成为例运行期间内存稳定在 400MiB 上下countless 工具还支持按语义分割生成掩码下图是一张分割掩码示例图⚠️ 翻车清单4 个高频问题怎么修产出的图比预期少日志提示找不到掩码→ 原因图片和掩码不同目录或命名不符合「图片名_maskXXX_后缀」规则 → 改法按 image1.png 配 image1_mask001.png 的格式重命名并核对 dataset.img_suffix。大图推理很慢或内存不够→ 原因refineTrue 会搭下采样金字塔受 px_budget1800000 像素和 min_side512 约束 → 改法先用 refineFalse 跑通再精修纯 CPU 机器在命令尾部加 devicecpu。修复处纹理错位、边缘发糊→ 原因精修迭代不足或掩码形态与场景不匹配 → 改法设 refineTruerefiner 会在 max_scales3 层各跑 n_iters15 次细划痕场景改用 configs/data_gen/ 里的 thin 配置重新生成掩码。加载模型时报错→ 原因model.path 必须指向含 config.yaml 的目录不能直接指 .ckpt 文件 → 改法解压权重包后指向 big-lama 目录checkpoint 默认读 models/best.ckpt。需要自己训模型或量化对比修复质量时仓库里入口都现成训练脚本 bin/train.py指标评估脚本 bin/evaluate_predicts.pyFID/SSIM/LPIPS配置见 configs/eval2_gpu.yaml数据准备脚本在 fetch_data/。【免费下载链接】lama LaMa Image Inpainting, Resolution-robust Large Mask Inpainting with Fourier Convolutions, WACV 2022项目地址: https://gitcode.com/GitHub_Trending/la/lama创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考