LaMa 适合把旧照片中被划痕或污点遮住的一小块区域用周围纹理补全。关键输入不是一句“修复照片”的提示词，而是一张原图和一张与它同尺寸、标出待补区域的掩码。补全结果是推测内容，不能当成原始历史细节。
保留原图，准备一对文件
先复制扫描原图，不在唯一原件上覆盖。以下以 photo.png 为例，在图像编辑器中建立同尺寸灰度图 photo_mask001.png：待修复划痕画白色，其余区域保持黑色。尽量只覆盖损坏区域；掩码太宽会抹掉可保留的细节。把两张图放进同一输入目录。LaMa 官方仓库的推理说明明确使用 [image_name]_maskXXX[image_suffix] 的配对命名，并要求在配置中核对图片后缀。
按官方仓库运行推理
在已按仓库 README 配好 Python、PyTorch 及 LaMa 依赖的机器上，取得 README 指向的 big-lama 权重并解压在仓库目录。不要从陌生“加速包”下载未验证的模型。把示例图片放到 input 目录后，在仓库根目录运行：
export TORCH_HOME="$(pwd)"
export PYTHONPATH="$(pwd)"
python3 bin/predict.py model.path="$(pwd)/big-lama" indir="$(pwd)/input" outdir="$(pwd)/output"
这是 Linux/macOS shell 的写法；Windows 可按官方 Docker 路线或将环境变量命令改成所用终端的语法。输出应写进 output，具体文件名以实际运行结果为准。本文没有声称在你的电脑上安装或运行成功。
用原图做差异检查
并排打开原图、掩码和输出图，先看未遮盖区域是否无意改变，再放大检查修复处是否出现重复纹理、断裂边缘或“长出”不存在的文字与五官。可把输出与原图做图层切换，必要时缩小掩码重新运行。若划痕压住关键文字、人物身份特征或大面积缺失，模型只能补出合理外观，不能还原真实信息；这类档案图要保留原件并标注修复版身份。
官方 README 还给出 Docker CPU/GPU 路线，但硬件占用与速度取决于图尺寸、权重及设备，本文不承诺某种显卡一定能运行。资料核对于 2026 年 10 月 1 日。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/31308.html
