企业官网建设流程全解析

LaMa 图像修复实战指南：如何 5 条命令跑出第一个修复结果

【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

LaMa（Large Mask Inpainting with Fourier Convolutions，WACV 2022）是一个基于傅里叶卷积的图像修复项目：给它一张原图和一张掩码，它负责填出掩码内的像素。模型官方在 256×256 上训练，可以泛化到约 2k 的图像。如果你的需求是照片去物、破损修补，或者想复现和微调大掩码修复模型，这个项目提供预训练权重和完整的训练、评估管线。

第一次上手：5 条命令跑出第一个修复结果

先克隆仓库并建环境，conda 和 virtualenv 两条路线的命令都写在 README 的 Environment setup 一节。最短路径是：

git clone https://gitcode.com/GitHub_Trending/la/lama && cd lama # 克隆仓库并进入项目 conda env create -f conda_env.yml && conda activate lama # 创建并激活 Python 环境

然后下载预训练模型。官方推荐 big-lama（在 Places Challenge 数据上训练，适合大场景），压缩包的下载入口列在 README 里，按其说明下载并解压，把big-lama目录放在项目根目录。同一个数据包里还有示例集 LaMa_test_images，解压后是一组现成的"原图+掩码"，可直接当输入。

再跑推理。两个环境变量必须导出，否则脚本会因找不到依赖而报错：

export TORCH_HOME=$(pwd) && export PYTHONPATH=$(pwd) # 必需的环境变量 python3 bin/predict.py model.path=$(pwd)/big-lama indir=$(pwd)/LaMa_test_images outdir=$(pwd)/output # 开始推理

跑完后 outdir 里就是修复结果。没有 GPU 就在命令末尾加device=cpu，速度变慢但能跑；想要零安装环境，docker/2_predict.sh可直接拉镜像执行推理。

看懂输入与输出：原图、掩码、结果的文件对应关系

输入目录只有一条规则：掩码是文件名带mask的 PNG，原图由掩码文件名去掉_maskXXX再拼上图片后缀得到。例如：

• image1.png：原图
• image1_mask001.png：掩码，与原图同尺寸，白色区域是要修复的部分
• 输出：outdir 下生成与掩码同名的image1_mask001.png，输出后缀可用out_ext改，默认.png

上图是仓库 countless 掩码目录里的示例输入照片，关键在文件名配对而不是画面内容。原图后缀读自 configs/prediction/default.yaml 的img_suffix，默认.png。如果你的原图是.jpg，需要在命令后追加dataset.img_suffix=.jpg，否则掩码找不到对应原图，这批数据会被跳过。图像进入网络前会被填充到 8 的倍数（pad_out_to_modulo: 8），不需要你手动对齐尺寸。

掩码可以手绘，也可以用仓库脚本生成。由语义分割生成时，掩码内容大致长这样：

三个关键开关：掩码类型、refine、device

掩码生成配置——决定你测什么场景。configs/data_gen/ 下有 6 个文件，两个维度：细/中/粗（thin/medium/thick）× 256/512 画布。起步用random_medium_512.yaml：输出 512×512 裁剪图加中等大小的洞；thick 适合大面积缺失测试，所有配置都把掩码面积限制在图像 50% 以内（max_tamper_area: 0.5）。用法：

python3 bin/gen_mask_dataset.py $(pwd)/configs/data_gen/random_medium_512.yaml raw_images/ out/ --ext jpg # 批量生成图片和掩码

refine=True——质量与速度的交换。默认关闭。打开后走多尺度细化：每个尺度迭代 15 次（n_iters: 15），最多 3 个下采样层级（max_scales: 3），图像会被自动缩放进 180 万像素预算（px_budget: 1,800,000）。大图的最终版建议打开，边缘和纹理更干净；批量跑测试集时保持关闭。

device——无 GPU 的兜底。默认cuda。加device=cpu用 CPU 推理，512×512 的图像单张从几秒到几分钟不等，验证流程够用；正式跑批再回 GPU。

卡住时怎么办：常见现象对照表

另外注意：模型在 256×256 上训练，官方说明可泛化到约 2k；远超 2k 的原图建议先降采样或分块再修，效果才有保障。

深入方向：仓库里值得读的目录

• 傅里叶卷积核心：saicinpainting/training/modules/ffc.py，FFC 层是论文的主要贡献
• 训练入口与配置：bin/train.py+ configs/training/ 下的lama-fourier、big-lama等入口
• 指标评估：bin/evaluate_predicts.py输出 FID/SSIM/LPIPS，对应实现见 saicinpainting/evaluation/losses/
• 数据准备脚本：fetch_data/，Places 和 CelebA-HQ 的下载、切分、掩码生成
• 交互教程：根目录 LaMa_inpainting.ipynb，按步骤走一遍完整修复流程

下一步可以直接做一件事：用random_medium_512给你自己的几张图生成掩码，先跑一次bin/predict.py，再对同一批输入追加refine=True跑一次，对比两组输出，基本就能建立对这个项目参数取舍的直观感觉。

【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