IOPaint AI 图像修复去水印去物体快速上手指南【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint截图上那个怎么也擦不干净的水印、合照里闯入镜头的路人用传统方法只能逐像素克隆修补边缘还总透着不自然。IOPaint 是一个开源的 AI 图像修复工具你只需要刷出要处理的区域模型自动把内容补回来既能纯擦除也能靠扩散模型把东西替换成别的内容。它完全自托管没有 GPU 也能用 CPU 跑。能力速览它能擦什么、生成什么✅擦除对象路人、水印、文字、划痕、污渍LaMa 擦除模型刷一下即删CPU 也能跑内容替换基于 Stable Diffusion 系列修复模型用文本提示词描述想换成的内容扩图Outpainting把图片向画框外延伸由模型推断框外内容交互选取启用 SAM 交互式分割插件后点一下物体掩码自动生成省去手刷插件生态抠背景、人脸修复GFPGAN / RestoreFormer、超分RealESRGAN、动漫分割等适合两类人需要把图像修复能力集成进自己产品、要批量处理的开发者以及想给老照片除污、给截图去水印的普通用户。同一张照片修复后水印被完全填平背景和发丝纹理保持自然原理白话拆解蒙版加模型为什么能补得天衣无缝修复inpainting的输入很简单原图 一张掩码mask白色区域就是要填的洞。IOPaint 里的模型分两条路线思路完全不同**擦除型模型LaMa 系列**像个熟练的修复师只看周边纹理和颜色推断洞里应该长什么样——不需要提示词速度快、体积小CPU 直跑。核心调用直白得令人发指# iopaint/model/lama.py image torch.from_numpy(image).unsqueeze(0).to(self.device) mask (mask 0) * 1 inpainted_image self.model(image, mask) # 图像蒙版进结果出 cur_res np.clip(cur_res * 255, 0, 255).astype(uint8)扩散型模型SD inpainting、PowerPaint V2 等多了文本提示词能生成新内容适合替换类任务。以 PowerPaint V2 为例它的主网络仍是标准 Stable Diffusion UNet旁边并行挂了一个 BrushNet 条件网络 BrushNet_CA.pyBrushNet 接收同样的输入在多个尺度上各输出一组特征扩散去噪时这些特征被送进主 UNet 对应的上采样/下采样块当作提示——相当于给模型画完蒙版后还递上一张参考图既锁定笔触位置又约束内容与原图的关联。一句话总结蒙版决定在哪画原图决定什么风格提示词决定画成什么。三步跑通第一张修复结果先克隆仓库并装依赖git clone https://gitcode.com/GitHub_Trending/io/IOPaint cd IOPaint pip install -r requirements.txt如果你有 NVIDIA GPU建议先装 CUDA 版 PyTorch版本以官方 README 为准。然后启动 WebUIpython3 main.py start --model lama --device cuda --port 8080首次启动会自动下载 LaMa 模型。浏览器打开 http://localhost:8080上传图片用画笔刷出水印位置点生成——第一张修复图就出来了。没有 GPU 就换成--device cpu并加--low-mem速度慢一些但完全可用。批量场景不需要 WebUI直接用命令行入口图片与掩码按文件名配对即可iopaint run --modellama --devicecpu --image./images --mask./masks --output./out。--mask指向单个掩码文件时所有图片共用这一个蒙版。效果与调优质量、速度、显存怎么平衡漫画这种线条复杂的内容也是强项气泡和拟声词擦掉后画面干净完整不同场景建议不同模型和参数组合场景推荐模型关键参数说明去水印 / 去瑕疵lama / anime-lama无需调步数最快CPU 可用物体替换SD inpainting / PowerPaint V2sd_steps、sd_guidance_scale步数越多越精细但越慢扩图 / 大尺寸图SD / SDXL inpaintinghd_strategyCROP大图像裁剪推理再拼回三条实用经验步数是最大权衡项扩散模型的sd_steps是质量换速度的主杠杆20 步通常够用不必硬拉满⚠️显存不够有三条退路--low-mem、--cpu-offload把部分模块挪到内存、--cpu-textencoder文本编码留在 CPU可叠加使用大图像优先 CROP 策略hd_strategyCROP只裁掩码区域加边距做推理再拼回原图既省显存又避免整图缩采样糊掉细节边界与社区做不了什么、在哪扩展⚠️ 几个明确的边界扩散模型在 CPU 上不现实SD 系模型 CPU 推理单张分钟级起步批量 CPU 处理请坚持用 LaMa蒙版质量决定上限模型只补你刷的区域刷漏或刷糙了结果必然穿帮宁可多刷一圈边缘生成内容不可复现替换类结果受提示词和随机种子影响同一蒙版两次运行可能不同要固定结果需锁定 seed社区扩展入口新模型实现在 iopaint/model/遵循InpaintModel基类的init_model/forward/is_downloaded接口即可被 WebUI 和 CLI 自动识别新功能参考 iopaint/plugins/ 下现有插件的写法如 SAM 分割、RealESRGAN 超分请求参数与默认值集中在 iopaint/schema.py想新增可调参数从InpaintRequest入手IOPaint 把蒙版 擦除模型 / 扩散模型这套链路封装成了开箱即用的工具WebUI、CLI、批量脚本三种形态任选自托管无第三方依赖。如果你在找一个可落地集成的开源 AI 图像修复方案从仓库的 README 和上面的命令流开始十分钟之内就能看到自己的第一张修复图。【免费下载链接】IOPaintImage inpainting tool powered by SOTA AI Model. Remove any unwanted object, defect, people from your pictures or erase and replace(powered by stable diffusion) any thing on your pictures.项目地址: https://gitcode.com/GitHub_Trending/io/IOPaint创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考