从照片里抹掉多余的东西

把不想要的东西涂掉,模型来补「本来该在那儿的东西」。整个过程在你自己的机器上跑完,照片一个字节都不会传出去。

修图区

把照片拖到这里

—

示例:空沙滩上停着一辆自行车。笔触已经替你涂好了,直接点「抹掉它」。

支持 JPG / PNG / WebP,15 MB、400 万像素以内,也可以直接 ⌘V / Ctrl+V 粘贴

怎么用

  1. 把照片放进来拖到上面那张图上、按 ⌘V / Ctrl+V 粘贴,或者点按钮选文件。图片直接读进画布,不经过任何服务器。
  2. 把东西涂掉整个盖住,再往外多涂几个像素,连影子一起。漏出来的那几像素,正好会被模型当成线索,把东西又画回来。
  3. 点「抹掉它」只有笔触周围那一块 512 像素的方框会送进模型,方框以外的像素一个字节都不动。拖动中间那条线对比,满意了按原分辨率下载。

模型是 LaMa(Samsung AI Center Moscow 的论文《Resolution-robust Large Mask Inpainting with Fourier Convolutions》),导出成 ONNX 后用 ONNX Runtime Web 跑。它学的是「看洞周围是什么,就接着画下去」——沙子、天空、水面、砖墙、草地、木纹都接得上。它不是生成模型:你没法让它凭空添个东西进来,只能让它把东西拿走。

它擅长什么,不擅长什么

效果好的

  • 背景规律、物体孤立:草地上的垃圾桶、沙滩上的自行车、天空里的电线、墙上的挂牌。
  • 远处的人和动物:旅游照背景里的游客、路边的流浪狗、九宫格里多出来的那个人。
  • 小瑕疵:日期水印、灰尘点、租房照片墙上的污渍、商品图里多出来的杂物。

不擅长的

  • 结构中间的大片区域:半张脸、店门口整辆车、站在地砖上的人(地砖的透视接不上)。
  • 需要凭空造细节的:文字、人脸、商标、带透视的重复花纹。
  • 一笔糊上去的大面积。分几次涂、每次看一眼结果,几乎总比一次涂完好。
模型
LaMa(big-lama),Apache-2.0
首次下载
CPU 档 59 MB · GPU 档 102 MB
补一块要
WebGPU ≈0.3 秒 · CPU ≈11 秒
照片外传
从不

常见问题

我的照片会被上传吗?

不会。整个过程里唯一走网络的,是模型文件本身——第一次从我们的 CDN 下载一次。你的照片被读进 canvas,交给这台机器上的 WebGPU 或 WebAssembly 算完,关掉标签页就没了。不信可以自己验:打开浏览器的网络面板,抹一次,看有没有东西发出去;或者第一次用完之后把 Wi-Fi 关掉,照样能用。

能拿它去水印、去文字吗?

干净背景上的小水印技术上能去,大片的、压在细节上的就会很糟——模型得猜底下原来是什么,而它并不识字。法律上另说:把水印抹掉并不等于你拿到了这张图的授权,这张图你有没有权改,得你自己负责。

补出来有点糊,怎么弄得更好?

三个办法,按见效顺序。第一,涂的时候要压过物体边缘,连影子一起盖住——漏出几个像素是「东西又被画回来」最常见的原因。第二,分几次来:抹一下、看一眼、再涂下一处。第三,每一笔盖住的面积别超过画面的四分之一左右;模型只看笔触周围那一块 512 像素的方框,蒙版越大,能抄的真实背景就越少。

照片最大能多大?

15 MB、400 万像素以内,大约相当于 2400 × 1700,比大多数手机导出的照片还大一点。超过的会先缩到 400 万像素再编辑,并且会明确告诉你。输出保持你编辑时的分辨率:在 2400 × 1700 上抹完,下载到的 PNG 就是 2400 × 1700,不是 720 像素的预览图。

为什么第一次要下几十兆?

因为模型得先到你的机器上——这就是「不上传照片」的代价。CPU 档 59 MB、WebGPU 档 102 MB(同一套权重的两种构建)。浏览器会把它缓存下来,第二次打开一秒不到就绪,断网也能用。我们没有用体积更小的那个量化版本,因为它的补图质量肉眼可见地变差。

和其他在线去物体工具比呢?

常见的那几家——Cleanup.pictures、Fotor、美图类的在线消除——都是把照片传到他们服务器上算,免费档要么把输出压到 720 像素左右,要么打水印,要么让你先登录。这里照片留在标签页里,除了 400 万像素的入口限制没有别的封顶,不打水印、不用账号。代价是要下一次模型,而且没有独显的机器第一下要多等十来秒。

哪些浏览器和设备能用?

桌面端 Chrome、Edge、Firefox 和 Safari 17 以上都能用;Chrome 和 Edge 还能走 WebGPU,在我们的测试机上比 CPU 路径快三十倍左右。手机上小图能跑,但 400 万像素的图占的内存足够让 iOS Safari 把标签页重载一次,所以稍大一点的照片还是用电脑更稳妥。

修补模型 LaMa(Suvorov 等,WACV 2022),ONNX 构建来自 g-ronimo,均为 Apache-2.0,许可证全文见 LICENSE-model.txt。示例照片:Mussi Katz 的《I want to ride my bicycle》与 freestocks.org 的《Walking by the sea》,均为 CC0 1.0。