新闻详情

新闻详情

首页 / 资讯中心 / 详情

浏览器端图像修复指南:Inpaint-web 用 WebGPU 完成涂抹去物与 4 倍超分

发布时间:2026/11/16 12:41:51来源:尧图网络
浏览器端图像修复指南:Inpaint-web 用 WebGPU 完成涂抹去物与 4 倍超分
浏览器端图像修复指南Inpaint-web 用 WebGPU 完成涂抹去物与 4 倍超分【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 是一个免费开源的浏览器端图像修复与放大工具用画笔盖住不想留的东西浏览器里的模型会自动补全背景模糊图点一下就能放大 4 倍。全程依赖 WebGPU 加速不支持时回退 WASM图片在本地处理、不经过任何服务器。不用安装软件打开页面就能用。场景切入商品图上的那支笔怎么去掉它的核心工作流只有一句话把不要的东西用笔刷涂掉松开鼠标模型自动补上。小林的网店上新了一批粉色包包商品图拍完后发现桌面上一支笔闯进了镜头。老办法是打开 Photoshop 学内容识别填充新办法是打开 Inpaint-web选一张内置示例图如 public/examples/bag.jpeg或上传自己的图把画笔大小拖到 40 像素范围 10–200沿笔身涂一圈松开鼠标——几秒后笔消失背景纹理被自然地填上。涂坏了按 CtrlZ 撤销重涂按住对比滑块左右拖动可以实时对照修复前后效果。️ 核心能力拆解涂抹修复、双引擎加速、4 倍超分、模型缓存四个能力点都能在上手时直接感知到每个都在代码里有明确出处。能力一涂抹即修复——MI-GAN 模型在浏览器内推理修复效果来自 MI-GAN 神经网络模型它不在服务器运行而是加载进你的浏览器完成推理。打个比方这相当于在浏览器里装了一个图像处理小车间——模型是老师傅ONNX Runtime 是工作台而选哪台机器干活由下面这段代码决定// src/adapters/inpainting.ts加载模型时挑选计算引擎 const capabilities await getCapabilities() model await ort.InferenceSession.create(modelBuffer, { executionProviders: [capabilities.webgpu ? webgpu : wasm], })能力二WebGPU 优先、WASM 兜底——老电脑也能跑浏览器支持 WebGPU 就放 GPU 上算不支持就自动切到多线程 WASM工具不会罢工。WebGPU 是浏览器里较新的直连 GPU标准。类比一下以前做图相当于隔着窗口朝厨房喊单现在 WebGPU 直接给了你一把开烤箱门的钥匙。而兜底逻辑像后厨换设备——高速烤箱GPU不能用就换普通灶台多核 CPU菜照样出。能力检测在 src/adapters/util.ts 中完成会依次探测 WebGPU、WASM、SIMD 和多线程支持。能力三4 倍超分——64 像素小块铺瓷砖式放大超分辨率用 RealESRGAN 模型输出固定为原图 4 倍大图被切成 64×64 像素的小块逐块放大再拼回避免浏览器内存爆掉。这就像铺瓷砖一块一块铺每块四周多留 6 像素的重叠tilePadding6接缝就看不出来。// src/adapters/superResolution.ts分块放大参数 const tileSize 64 const tilePadding 6能力四模型只下载一次——localforage 本地缓存两个 ONNX 模型首次下载后会存进浏览器本地存储第二次打开页面秒进无需重复拉取。类比就是提前备好的菜第一次做菜要去菜市场从云端拉模型页面会显示下载进度以后直接从自家冰箱localforage里拿。缓存逻辑见 src/adapters/cache.ts。 上手体验四步跑起来全程不装任何软件克隆仓库git clone https://gitcode.com/GitHub_Trending/in/inpaint-web进入目录执行npm install运行npm run start用较新的 Chrome 或 Edge 打开本地地址首次会弹模型下载进度条完成即缓存上传自己的图片或点击 7 张内置示例图之一直接开始超过 4096 像素的大图会被自动压缩避免处理过慢调整画笔大小10–200 像素涂掉不想要的区域松开鼠标自动生成不满意按 CtrlZ 撤销或点顶部历史缩略图回到这需要更清晰时点超分辨率逐块进度条实时滚动完成后点下载保存结果。整条链路只有 3 条命令、零付费且每一步都不需要离开浏览器。 数据表现一张表看清它与传统修图方案的差别下表不引入任何未经验证的跑分数字只列代码和 README 里能直接核实的事实。对比项Inpaint-web传统桌面/在线修图部署方式浏览器打开即用免安装需安装客户端或依赖云端图片隐私全程本地处理不上传在线工具需上传到服务器计算引擎WebGPU 优先WASM 多线程兜底取决于本机硬件配置修复模型MI-GANONNX 格式浏览器内推理依赖软件自带算法放大能力RealESRGAN固定 4 倍依软件版本或订阅而定操作容错历史缩略图 CtrlZ可跳回任意一步依软件而定费用免费开源订阅收费较普遍上图是仓库自带的超分演示右侧为原图左侧是同一张狗图放大 4 倍后的结果毛发边缘的细节明显更实。适用人群与边界适合谁短板在哪先说结论如果你只需要去杂物、去水印、放大模糊图这三件事它已经能替代 Photoshop 里的基础修图流程但别指望它覆盖专业后期。适合电商运营处理商品图、自媒体人清理照片杂物、在意隐私不愿上传图片的用户以及想学 WebGPU 推理管线的开发者核心代码集中在 src/adapters/ 目录。客观局限修复质量受 MI-GAN 模型能力约束大面积破损或极复杂纹理如密集花纹、人像面部的补全效果与专业桌面软件仍有差距仓库中也没有公开的量化对比基准超分固定 4 倍没有 2 倍、8 倍选项且输入超过 4096 像素的图会被先行压缩WebGPU 需要较新的浏览器旧浏览器会回退 WASM速度明显变慢项目目前版本号为 0.1.0README 路线图里更好的界面等条目尚未勾选属于早期项目。 收尾展望下一步是自动选区和内容替换按 README 中的路线表团队接下来要接入 Segment Anything 实现圈一下就能快速选择并去除再接入 Stable Diffusion 做图像内容替换——从手动涂笔刷进化到说需求就行。对使用者来说意味着操作成本还会继续降低对开发者来说浏览器端修复 超分 替换的完整链路一旦跑通图像处理的门槛将真正只剩一张图。【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 2026/11/15 4:54:16

【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 2026/11/15 2:04:12

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 2026/11/14 10:11:15

【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 ... 2026/11/16 6:47:19

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 2026/11/14 16:35:50

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 2026/11/15 4:06:36

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
📞 ✉