向AI转型的程序员都关注了这个号👇👇👇
- 关于 Lama Cleaner
Lama Cleaner 是由 SOTA AI 模型提供支持的免费开源图像修复工具。可以从图片中移除任何不需要的物体、缺陷和人，或者擦除并替换（powered by stable diffusion）图片上的任何东西。
特征：
完全免费开源，完全自托管，支持CPU & GPU & M1/2
Windows 一键安装程序
本机 macOS 应用程序
多种SOTA AI模型
擦除模型：LaMa/LDM/ZITS/MAT/FcF/Manga
擦除和替换模型：稳定扩散/绘制示例
后期处理插件：
RemoveBG：删除图像背景
RealESRGAN：超分辨率
GFPGAN：面部恢复
RestoreFormer：面部修复
分割任何东西：准确快速的交互式对象分割
文件管理器：方便地浏览您的图片并将它们直接保存到输出目录。
插件
在图像清洗的后处理中，除了擦除之外，还经常使用面部修复或超分辨率等算法。现在您可以直接在 Lama Cleaner 中使用它们。启动Lama Cleaner服务时，您可以通过命令行参数启用插件。启用的插件将在左上角显示。
- 擦除模型
Lama Cleaner默认擦除模型为LaMa，开源地址为：https://github.com/advimman/lama 。
LaMa 图像修复，采用傅立叶卷积的分辨率鲁棒大型掩模修复，WACV 2022
现代图像修复系统尽管取得了显着的进步，但常常难以应对大面积缺失区域、复杂的几何结构和高分辨率图像。我们发现造成这种情况的主要原因之一是修复网络和损失函数都缺乏有效的感受野。为了缓解这个问题，我们提出了一种称为大掩模修复（LaMa）的新方法。LaMa 基于：
一种新的修复网络架构，使用快速傅立叶卷积，具有图像范围的感受野
高感受野感知损失；
大型训练掩码（masks），释放前两个组件的潜力。
我们的修复网络提高了一系列数据集的最新技术，即使在具有挑战性的场景（例如完成周期性结构）中也能实现出色的性能。我们的模型出人意料地很好地概括了比训练时所见的分辨率更高的分辨率，并且以比竞争基准更低的参数和计算成本实现了这一点。
其中，模型中FFC结构如下：
- 安装 Lama Cleaner
很遗憾，我的电脑没有GPU，具体环境如下：
Windows 10专业版
处理器：Intel® Core™ i5-9400 CPU @ 2.90GHz 2.90 GHz
内存(RAM)：32.0 GB(31.8 GB可用)
显卡：Intel® UHD Graphics 630
安装Lama Cleaner最简单的方法是通过pip安装（支持python 3.7 ~ 3.10）。
关于GPU安装，官方说明如下：
安装完成后，可以通过lama-cleaner命令启动服务器，第一次使用时会下载模型文件（建议确保网络畅通）。
GPU启动命令如下：lama-cleaner --model=lama --device=cuda --port=8080
- 启动
启动命令如下：
工具的使用是基于浏览器的，我安装在本机，使用默认端口8080，打开浏览器使用如下地址：http://127.0.0.1:8080。
- 去水印抠图操作
如下图所示，从左到右操作，中间图分两块涂抹需要清除的标记，最后按下方的橡皮檫，形成最右边的图像。
其中，标记多块需要清除点时，需要使用手动修复模式。默认情况下，Lama Cleaner 将在绘制笔划后运行修复。您可以在设置中启用手动修复模式。
- 其他擦除模型对比举例
LDM 与 LaMa 模型擦除效果对比：
👍 可能得到比 LaMa 更好、更详细的结果
👍 通过调整步骤可以达到时间和质量的平衡
😐 比 LaMa 模型慢得多（3080 12it/s）
😐 需要更多GPU内存（512x512 5.8G）
- 最后
如果要取得好的图像效果，是需要GPU的。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx