在线图像修复 浏览器即开即用 基于 LaMa 研究 访问官网 ↗

把照片里碍事的东西一笔抹掉：Cleanup.pictures 的来龙去脉与用法

Cleanup.pictures 是一个直接在浏览器里运行的在线图像修复（inpainting）工具：拖入图片、用笔刷涂掉不想要的物体，松手之后算法会把被遮挡的背景重新「长」回来，全程不用安装任何软件。它的技术底座是研究团队自己发表的 LaMa 大掩码修复模型，出自论文《Resolution-robust Large Mask Inpainting with Fourier Convolutions》（arXiv 2109.07161），作者团队来自三星 AI 研究院，随后将这项研究产品化成了这款人人可用的去物工具[1][2]。

擦除前后，画面发生了什么

理解这类工具最快的方式，是把「擦除前」与「擦除后」摆在一起看。左边是你每次修图时真正头疼的东西，右边是处理完成后理应收到的状态：

擦除前：常见的四类烦恼
  • 旅游纪念照里闯进来的路人和车辆
  • 产品图上的灰尘、标签残胶与反光杂物
  • 截图里没关掉的弹窗、头像和敏感信息
  • 老照片上的折痕、日期戳与半透明水印
擦除后：理应达到的状态
  • 主体原封不动，只有被涂区域被替换
  • 墙面、栅栏、草地等重复纹理无缝延续
  • 不需要抠图和选区，笔刷覆盖即可
  • 输出仍是一张完整图片，可直接交付

↓

这组对比也划清了工具的能力半径：它擅长的是「让背景假装什么都没发生过」，而不是凭空造出一个新主体。前者靠修复算法就能做得又快又稳，后者属于生成式重绘，是另一类产品的领地。

笔刷背后的模型：从传统修复到 LaMa

图像修复并不是新问题。在没有深度学习的年代，Photoshop 的仿制图章和内容识别填充靠采样周边像素来填补空洞；进入神经网络时代后，「修补（inpainting）」被定义为让模型在已知掩码的前提下预测缺失区域的像素任务，维基百科对其技术脉络有专门条目[4]。

深度学习路线上有两个绕不开的早期坐标：英伟达 2018 年提出的偏卷积（Partial Convolution）首次把「不规则孔洞」作为一等公民来处理，让掩码形状不再受限于方形[5]；同年晚些时候的门控卷积（Gated Convolution，DeepFill v2）进一步让网络自学每个位置该信多少，去掉了手工调参的痕迹[6]。不过这些方法的感受野终究有限，遇到大面积缺失或强周期纹理时，补出来的区域常常发糊、错位。

LaMa 的突破点在于结构：它引入傅里叶卷积（Fourier Convolutions），让卷积网络天然携带全局视野，对栅栏、砖墙、百叶窗这类需要「跨越大半个画面找规律」的重复纹理格外有效；同时训练策略刻意强化了大掩码场景与跨分辨率泛化能力，这正是论文标题里 resolution-robust 一词的由来[1]。研究团队还把实现开源在 GitHub 的 advimman/lama 仓库，此后大量本地修复工具直接复用了这份权重[3]。

Cleanup.pictures 做的事情，是把这套研究成果包装成一个零门槛的网页交互：笔刷轨迹就是掩码，推理在云端完成，几秒内返回成品。网页端可以免费体验，但输出分辨率与商用配额存在限制，高清导出与批量使用属于付费范围，具体档位和额度以官网实时说明为准[2]。

五步上手：一支笔刷的全部操作

  1. 打开页面，拖入图片。访问官网后直接把本地图拖进画布，也支持从剪贴板粘贴，无需注册即可开始第一次尝试。
  2. 调节笔刷直径。底部滑杆控制笔刷粗细，经验法则是：物件越小，笔刷越细；边缘越复杂，越要留出余量。
  3. 涂抹目标并带一圈背景。按住鼠标覆盖整个待去除物，并稍稍涂过轮廓外的正常背景，给算法留出取样空间。
  4. 松手等待，逐次微调。几秒内出结果；若残留阴影或毛边，撤销后用更细的笔刷补一小笔，往往比大面积重来更快收敛。
  5. 下载成品。满意后点击下载按钮保存，免费档的输出分辨率上限与付费解锁选项见官网当前定价页。

实操心得：与其一口气框住一大片区域，不如把大目标拆成几次小面积涂抹——每次推理都以刚生成的干净背景为基础，累积误差更小，纹理衔接也更自然。

同类修图工具横评：各自的生态位

「去掉画面里多余的东西」这件事有很多种解法，把常见选项放在同一张表里，差异立刻清晰：

工具形态技术路线上手门槛费用概况
Cleanup.pictures网页在线LaMa 类深度修复模型几乎为零，会涂色就会用免费档＋付费高清，以官网为准
Photoshop 修复系桌面软件仿制图章／内容识别／Firefly 生成式填充较高，需要练习与审美订阅制
Snapseed 修复手机应用移动端修复笔刷低，指尖操作免费
IOPaint（原 lama-cleaner）本地部署开源直接复用 LaMa 等开源权重中，需自行配置 Python 环境免费开源

一句话归纳：追求零门槛随手救急，网页版最合适；追求极致控制与商业级精修，仍是桌面专业软件的主场；在意隐私或想离线批量跑，开源本地方案是正解——三条路线并不互相取代。

适用边界：什么时候该用它，什么时候别用

√ 适合背景相对干净的中小面积去物证件照背景杂物、桌面的产品图瑕疵、地面的垃圾烟头，都是它的舒适区。
√ 适合重复纹理的大洞栅栏、瓷砖、草坪、纯色墙面正是 LaMa 傅里叶卷积的强项，补全效果往往出乎意料地整齐。
× 谨慎大面积结构性重绘搬走整栋建筑、更换整片天空属于生成式改图，超出修复范畴，强行涂抹大概率得到模糊补丁。
× 谨慎人脸与精细主体重塑五官、文字 logo 等语义敏感区域对失真极其挑剔，建议交给专业修图流程。
× 别碰他人版权素材的水印技术上擦得掉，法律上未必站得住：去除版权水印后再传播或商用，侵权风险完全自担。
× 别碰新闻纪实类图像修复的本质是算法猜测而非事实还原，涉及存证与报道的影像不应做任何此类改动。

最后这条边界值得单独强调：这类工具把修图门槛降到了「会画圈」的程度，便利的另一面是滥用成本的降低。只处理你拥有权利或已获授权的图片，是对自己和读者最基本的保护。

常见疑问速答

Q1Cleanup.pictures 免费能用吗？

网页可以免费体验核心的去物功能，但对输出分辨率和商用配额有限制；高清下载与更大用量需要付费订阅，具体价格与档位以官网定价页实时信息为准。

Q2它和 Photoshop 的仿制图章有什么本质区别？

仿制图章靠人工取样、手动覆盖，效果取决于手法；这里是一键式的模型推断，算法根据全局上下文自动补全背景，速度快得多，代价是对结果的精细控制力弱于专业软件。

Q3我的照片会被上传到哪里？隐私怎么办？

网页版的推理在云端完成，图片必然离开本地设备。涉及肖像、商业机密等敏感素材时，更稳妥的选择是本地部署的开源方案，例如基于同一 LaMa 权重的 IOPaint，处理过程不出内网。

Q4手机上能用吗？

它是纯网页应用，手机浏览器打开即可操作，触屏涂抹的精度因设备和屏幕大小而异；细小物体的擦除建议还是回到电脑端用鼠标完成。

Q5能用来去水印吗？

技术层面可行，但请只用于你本人拥有版权或已获授权的素材；去除他人作品的水印并传播、商用涉嫌侵犯著作权，责任由使用者自行承担。

Q6经常听到的 LaMa 到底是什么？

LaMa 即 Large Mask Inpainting，是三星 AI 团队 2021 年提出、发表于 WACV 2022 的图像修复模型，以傅里叶卷积扩大感受野、专攻大掩码与跨分辨率场景，论文编号 arXiv 2109.07161，官方实现已在 GitHub 开源。

参考资料

  1. 来源：arXiv《Resolution-robust Large Mask Inpainting with Fourier Convolutions》（LaMa 原始论文）： https://arxiv.org/abs/2109.07161
  2. 来源：Cleanup.pictures 官方网站（产品与定价信息）： https://cleanup.pictures
  3. 来源：GitHub · advimman/lama（LaMa 官方开源实现）： https://github.com/advimman/lama
  4. 来源：Wikipedia · Inpainting（图像修复技术综述条目）： https://en.wikipedia.org/wiki/Inpainting
  5. 来源：arXiv《Image Inpainting for Irregular Holes Using Partial Convolutions》： https://arxiv.org/abs/1804.07723
  6. 来源：arXiv《Free-Form Image Inpainting with Gated Convolution》（DeepFill v2）： https://arxiv.org/abs/1806.03589

青衣网络 AI 观察团队 · 最后更新 2026-08-25 —— 本文依据原始论文、开源仓库与产品官网等公开资料独立撰写；工具的免费额度与功能边界可能调整，实际使用请以官网最新说明为准。