对比了 FFT NPainting LaMa 与 Stable Diffusion Inpainting 两款图像修复工具。LaMa 基于频域重建，无需提示词，速度快、结果确定，适合批量处理及结构修复；Stable Diffusion 基于扩散模型，依赖文本提示，擅长创意填充与语义重构，但耗时较长且结果随机。测试在 NVIDIA A100 环境下进行，涵盖速度、操作、结构保真、纹理自然度及容错性五个维度。结论表明两者无绝对优劣，应根据具体场景选择：追求效率与一致性选 LaMa，需要创意与风格控制选 SD。实际工作流中可结合使用以发挥各自优势。
在图像修复领域，"移除不需要的物体"看似简单，实则对模型的理解力、上下文建模能力和细节生成质量提出极高要求。当前主流方案中，基于扩散模型的 Stable Diffusion Inpainting 和基于频域重建的 FFT NPainting LaMa 代表了两种截然不同的技术路径——前者依赖大规模文本 - 图像对齐能力进行语义级重绘，后者则通过傅里叶变换在频域中完成结构保持型修复。本文不谈论文公式，不堆参数指标，而是以真实用户视角，从五个维度，对两款工具进行实测对比。所有测试均在同一台配置为 NVIDIA A100 40GB + 64GB RAM 的服务器上完成，输入图像统一为 1280×720 像素的 JPG 文件，修复区域为典型中等复杂度目标（如人物手持物品、背景文字、水印贴纸）。
FFT NPainting LaMa 是基于开源 LaMa 模型二次开发的 WebUI 应用，核心创新在于将原始 LaMa 的空间域卷积替换为快速傅里叶变换（FFT）加速路径，并深度优化推理流程。它不依赖文本提示，也不生成新语义内容，而是专注于'把挖掉的地方，用周围最合理的纹理和结构填满'。其设计哲学是：快、稳、准、省——5 秒内出结果，显存占用稳定在 3.2GB 左右，修复结果无随机性，每次运行完全一致。
Stable Diffusion Inpainting（本文测试基于 sd-webui-inpainting 插件 + v1-5-pruned-emaonly.safetensors 模型）则走另一条路：它把修复任务当作一次'带掩码的文生图'过程。用户需提供文本提示（prompt），模型据此理解'这里应该是什么'，再结合原图上下文生成内容。它的强项在于能跨语义修复——比如移除一张咖啡杯后，可提示'木质桌面'，让模型生成符合逻辑的木纹；但代价是结果具有随机性，且对 prompt 编写能力有隐性门槛。
| 维度 | FFT NPainting LaMa | Stable Diffusion Inpainting |
|---|---|---|
| 核心原理 | 频域结构重建（无文本理解） | 扩散模型 + 文本引导（强语义） |
| 是否需要提示词 | ❌ 完全不需要 | 必须填写 prompt |
| 结果确定性 | 每次运行结果完全相同 | ❌ 同一 prompt 多次运行效果不同 |
| 显存占用 | ≈ 3.2 GB（固定） | ≈ 6.8–9.2 GB（随图像尺寸波动） |
| 首次修复耗时 | 4.2–6.8 秒（中图） | 12–28 秒（含模型加载 + 采样） |
| 适合人群 | 追求效率、批量处理、结果可复现的用户 | 需要创意填充、风格控制、语义重构的创作者 |
一句话总结定位：LaMa 是'专业修图师'，专注把破洞补得天衣无缝；SD Inpainting 是'概念画家'，擅长把破洞变成一幅新画。
inpainting 插件 v1.7.0我们构建了 8 类典型修复场景，每类使用 3 张不同难度图像（共 24 张），涵盖：
每张图像均进行相同区域标注（使用 LaMa WebUI 的画笔工具绘制 mask，导出为 PNG 后供 SD 使用），确保对比公平。
LaMa 的启动流程极简：执行 bash start_app.sh 后，终端立即输出成功提示，浏览器打开即用，无任何加载等待。整个服务常驻内存，后续所有修复请求均为热启动。
SD WebUI 则需经历完整加载链： ① 加载主模型（约 8s）→ ② 加载 Inpainting 专用权重（约 3s）→ ③ 初始化采样器（约 2s）→ ④ 接收请求并执行（12–28s）
实测数据：同一张 1280×720 图像，LaMa 平均耗时 5.3 秒；SD 在关闭'预加载模型'选项下平均耗时 21.7 秒。若开启预加载，首图仍需 13 秒以上，且显存长期占用翻倍。
LaMa WebUI 的交互逻辑高度聚焦于'修复'本身：
SD WebUI 的操作链更长：上传图 → 上传 mask → 填写 prompt → 调整 denoising strength → 选择采样器 → 点击生成 → 等待 → 查看 → 若不满意 → 修改 prompt 或 strength → 再生成…… 且存在明显交互陷阱：例如未勾选'Only masked'时，会重绘整张图；mask 边缘未羽化会导致硬边；prompt 写错一个词可能生成完全无关内容。
我们选取'移除建筑照片中脚手架''擦除文档扫描件上的手写批注''去除产品图中的参考标尺'三类任务，重点观察直线、文字边缘、网格结构的还原能力。
lineart 提示词，钢管移除区域常出现轻微波浪形扭曲；批注擦除后，下方文字偶有像素级位移；标尺移除处桌面纹理出现不规则颗粒感。原因直白解释：LaMa 的频域重建天然保持全局相位信息（即结构骨架），而 SD 的扩散过程本质是逐像素去噪，易在强结构区域引入微小相位误差，累积成可见失真。
当任务转向'非结构化填充'时，优势反转：
关键结论：LaMa 擅长'看不见的修复'，SD 擅长'看得见的创作'。前者是隐形工匠，后者是可见作者。
我们故意制造三类挑战：
推荐组合：LaMa WebUI + 批量脚本（可调用其 API 接口实现自动化）
推荐组合：SD WebUI + Inpaint Anything 插件（自动识别目标）+ ReActor（人脸保真）
真实工作流中，二者并非互斥。我们验证了一种高效混合策略：
实测该流程比纯 SD 方案快 3.2 倍，且避免了 SD 单次处理大区域时的纹理崩坏问题。
FFT NPainting LaMa 和 Stable Diffusion Inpainting 不是'谁取代谁'的关系，而是'扳手'与'雕刻刀'的关系——工具的价值永远由任务定义。
技术没有高下，只有适配。与其纠结'哪个更强'，不如问自己一句： '我今天要解决的问题，是'补上缺口'，还是'画一幅新画'？'
答案清晰了，选择自然浮现。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online