新闻详情

新闻详情

首页 / 资讯中心 / 详情

浏览器里修图:WebGPU 图像修复工具 inpaint-web 上手记

发布时间:2026/11/12 13:22:01来源:尧图网络
浏览器里修图:WebGPU 图像修复工具 inpaint-web 上手记
浏览器里修图WebGPU 图像修复工具 inpaint-web 上手记【免费下载链接】inpaint-webA free and open-source inpainting image-upscaling tool powered by webgpu and wasm on the browser。| 基于 Webgpu 技术和 wasm 技术的免费开源 inpainting image-upscaling 工具, 纯浏览器端实现。项目地址: https://gitcode.com/GitHub_Trending/in/inpaint-webinpaint-web 是一款纯浏览器端运行的 WebGPU 图像修复工具定位很直接把照片里不想要的部分涂掉模型自动补全另外还支持 4 倍超分辨率放大。整个过程不装任何软件图片也完全不离开本机。我把它拉到本地折腾了一遍体验比预期要好。打开就能用一条命令起本地图像修复服务不需要任何环境配置克隆下来跑两条命令就行git clone https://gitcode.com/GitHub_Trending/in/inpaint-web cd inpaint-web npm install npm run start浏览器访问它输出的地址。界面非常克制中间一块画布用来预览图片旁边一排按钮管画笔大小、原图对比、撤销、4 倍放大和下载旁边还有几张 示例图片目录 里的图可以直接试。整个界面就是一块画布加几个按钮用过修图软件的人零学习成本第一次运行有一件事要有心理准备页面会从境外存储下载两个 ONNX 模型文件修复模型约 30MB放大模型约 70MB需要能稳定连出去的网络。下过一次之后会缓存在本地 IndexedDB 里下次打开不再重复下载。涂一笔把照片里的人抹掉️ 我随手挑了一张示例图一双鞋的产品图。把画笔调到合适的大小直接在不想要的东西上涂抹鼠标跟着一个圆形光标涂多涂少一目了然。涂完等几秒进度条走完涂抹区域就按周围纹理补全了东西干净地消失。public/examples/ 里的示例图挑个面积小的跑几秒出结果不满意就点「撤销」重来历史是按次记录的涂错一笔不会前功尽弃「原图」按钮可以在当前结果和原图之间切换方便检查边缘过渡。这套撤销历史是容易被忽略、但实际每次都会用到的细节。点一下 4 倍放大把小图变大图第二个功能是超分放大点「4 倍放大」后进度条一块一块地走后面会解释为什么是一块一块的。完成后输出的图宽高各放大 4 倍边缘明显更锐拿来放大老照片或者需要撑大的产品图基本够用。左为超分结果右为原图边缘清晰度肉眼可见为什么它能跑在浏览器里看源码会发现不神秘主要是两件事。第一件是硬件能力自动检测。页面加载时会先检查navigator.gpu能不能申请到适配器能就把模型计算交给 WebGPU让 GPU 并行处理成千上万个像素像把一堆卡片分给很多人同时整理而不是一个人排队一张张翻不能就自动退回 WASM 路径并且浏览器支持 SIMD 和共享内存多线程的话就一并打开跑在 CPU 上——比 GPU 慢但能用不会直接罢工。第二件是预处理和分块。图片进模型前由 opencv-tsOpenCV 的 WASM 版做通道重排、遮罩二值化这些脏活。修复模型可以整图一次跑完放大模型则不同它把图切成 64×64 的小块逐块推理再拼回块与块之间留 6 像素重叠来避免拼缝。这么做的好处是大图也不会把内存撑爆坏处是进度只能一块一块地报。适合谁不适合谁适合偶尔需要去水印、去路人、去杂物或者想把小图放大的场景。不用打开重型修图软件也不用把图片上传到任何在线服务本地隐私这块是实打实的安心。不适合一次处理几百张图的批处理需求目前没有队列功能超大图片反复多轮放大内存压力明显以及不支持 WebGPU 的旧浏览器——会回落到 CPU速度就完全是另一个量级了。⚠️ 再提醒一次首次使用的模型文件来自境外存储网络连不出的话会卡在这一步。仓库地址就是上面那条 clone 命令里的。如果跑出问题或者有功能想法欢迎直接去 Issue 里反馈。【免费下载链接】inpaint-webA free and open-source inpainting image-upscaling tool powered by webgpu and wasm on the browser。| 基于 Webgpu 技术和 wasm 技术的免费开源 inpainting image-upscaling 工具, 纯浏览器端实现。项目地址: https://gitcode.com/GitHub_Trending/in/inpaint-web创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉