手把手教你用LaMa修复老照片：从环境搭建到实战修复的保姆级教程（附避坑指南）-拓冰建站

手把手教你用LaMa修复老照片：从环境搭建到实战修复的保姆级教程（附避坑指南）

翻开泛黄的相册，那些承载着记忆的老照片往往因岁月侵蚀而破损。如今，借助LaMa（Large Mask Inpainting）这项基于傅里叶卷积的AI修复技术，即使没有专业图像处理经验，也能让珍贵影像重获新生。本教程将用最简明的步骤，带您完成从环境配置到最终修复的全流程操作，特别针对Windows和Linux系统优化，避开常见报错陷阱。

1. 环境搭建：零基础配置LaMa修复工作站

1.1 硬件与系统准备

显卡要求：NVIDIA显卡（GTX 1060 6GB及以上），需支持CUDA 10.2
显存建议：修复1024x1024像素照片至少需要4GB显存
系统兼容性：
- Windows 10/11（需安装WSL2推荐）
- Ubuntu 18.04/20.04（原生支持最佳）

提示：AMD显卡用户可通过ROCm方案运行，但需额外配置HIP转换工具

1.2 一站式安装指南

# 创建Python3.8虚拟环境（避免版本冲突） conda create -n lama python=3.8 -y conda activate lama # 安装PyTorch与核心依赖 conda install pytorch==1.9.0 torchvision==0.10.0 torchaudio==0.9.0 cudatoolkit=10.2 -c pytorch pip install pytorch-lightning==1.2.9 opencv-python pillow # 下载LaMa官方代码（国内镜像加速） git clone https://gitee.com/mirrors_advimman/lama.git cd lama pip install -r requirements.txt

常见安装问题解决方案：

报错类型	解决方案	验证方法
CUDA版本不匹配	重装对应CUDA驱动	`nvidia-smi`查看版本
模块缺失	手动安装缺失包	`pip install <包名>`
权限不足	使用管理员权限运行	添加`sudo`前缀

2. 数据准备：老照片处理黄金法则

2.1 照片数字化标准流程

扫描分辨率：至少600dpi，保存为TIFF无损格式
色彩模式：转换为sRGB色彩空间（避免修复色偏）
文件命名：统一采用年份_人物_序号.jpg格式（如1985_family_01.jpg）

2.2 智能掩码生成技巧

使用内置工具自动标注破损区域：

# 生成随机掩码（适合大面积破损） python bin/gen_mask_dataset.py \ indir=./my_photos \ outdir=./masked_photos \ --config configs/prediction/default.yaml # 手动精修掩码（推荐GIMP操作步骤） 1. 用钢笔工具勾勒破损边缘 2. 填充纯黑色(#000000)为修复区域 3. 保存为PNG格式：原图名_mask.png

注意：掩码精度直接影响修复效果，边缘模糊区域建议保留5-10像素过渡带

3. 实战修复：参数调优与效果控制

3.1 基础修复命令解析

python predict.py \ model.path=./checkpoints/big-lama \ indir=./damaged_photos \ outdir=./output \ refine=true \ dataset.pad_out_to_modulo=32 \ refiner.n_iters=20

关键参数说明表：

参数	作用域	推荐值	效果影响
refine	全局	true	启用细节增强
pad_out_to_modulo	数据集	8/16/32	边缘对齐精度
n_iters	优化器	15-25	迭代次数越多细节越丰富
lr	优化器	0.001-0.003	学习率过高会产生伪影

3.2 高级修复技巧

分区域修复：对复杂破损照片采用"分块-修复-拼接"策略
多尺度融合：组合不同modulo参数的结果进行后期合成
色彩校正：用opencv进行后处理匹配原始色调

import cv2 original = cv2.imread('old_photo.jpg') repaired = cv2.imread('repaired.png') # 颜色迁移保持原色调 result = cv2.xphoto.createTonemapDurand().process(repaired, original)

4. 效果优化：专业级修复秘诀

4.1 常见问题诊断手册

现象	原因	解决方案
边缘锯齿	modulo参数过小	增大至64或128
纹理重复	迭代次数不足	增加n_iters至30+
色彩漂移	通道未对齐	检查输入是否为RGB格式
GPU内存不足	分辨率过高	先缩小至1024px再修复

4.2 效果对比评估方法

使用PSNR和SSIM量化指标：

from skimage.metrics import peak_signal_noise_ratio as psnr from skimage.metrics import structural_similarity as ssim def evaluate(original, repaired): p = psnr(original, repaired) s = ssim(original, repaired, multichannel=True) print(f"PSNR:{p:.2f}dB, SSIM:{s:.4f}")

典型优化案例数据：

修复阶段	PSNR(dB)	SSIM	耗时(s)
初始结果	28.71	0.912	45
参数优化后	32.15	0.947	68
人工精修后	34.22	0.968	120+

5. 效率提升：批量处理与自动化

5.1 并行处理脚本

import os from multiprocessing import Pool def process_photo(photo): cmd = f"python predict.py model.path=./checkpoints/big-lama indir=./input/{photo} outdir=./output" os.system(cmd) if __name__ == '__main__': photos = [f for f in os.listdir('./input') if f.endswith('.jpg')] with Pool(4) as p: # 4进程并行 p.map(process_photo, photos)

5.2 定时监控方案

# Linux系统资源监控脚本 while true; do nvidia-smi | grep "python" >> gpu.log ps aux | grep "predict.py" >> cpu.log sleep 60 done

在完成上百张家庭老照片修复后，发现最耗时的不是计算过程，而是前期照片整理和掩码标注。建议建立标准化工作流：先统一扫描所有照片，用exiftool批量重命名，再用GIMP录制动作脚本处理同类破损，最后集中用LaMa批量修复。对于特别珍贵的照片，可以采用"低modulo初修+高modulo精修"的两阶段策略，既保证效率又确保质量。