实践：纯 CPU 图片擦除三模型实测——LaMa / MI-GAN / Telea 的选型与工程细节

一句话结论：纯 CPU 能做生产级图片擦除。LaMa 2.1s/张质量最高做终稿、MI-GAN 0.8s 做快速预览、OpenCV Telea <50ms 处理纯色背景，三者在同一进程内按场景切换。两个关键工程结论：① 推理耗时几乎不随输入分辨率线性增长（2.1s/0.8s 恒定）；② 局部裁剪（crop）显著优于整图缩放（resize），能保留山体等高频细节。

背景与动机

场景：去水印、去杂物、去文字，机器只有 CPU（Intel Mac x86_64，12 核 / 16GB），无 NVIDIA GPU
硬约束：PyTorch 官方从 2.3 起不再发布 macOS x86_64 wheel——GPU 路线与 PyTorch 路线都断，唯一可行是 ONNX Runtime（CPU 推理）
排除项：扩散模型（SD Inpainting / BrushNet / FLUX）在 CPU 上 30s~数分钟，Intel Mac 不可用，直接排除

三模型实测

模型	来源	大小	实测耗时	特点	适用
LaMa	WACV 2022（IOPaint 默认）	~198 MB	2.1 s	大掩膜、纹理重建最强	通用擦除、建筑/自然纹理、终稿
MI-GAN	ICCV 2023（Picsart）	~27 MB	0.8 s	快、轻，细纹理略糊	快速预览、移动端
Telea/NS	OpenCV 内置	0 MB	<50 ms	扩散插值、简单背景	纯色背景、水印

关键观察：耗时不随分辨率线性增长——LaMa 稳定 2.1s、MI-GAN 稳定 0.8s（在常规尺寸范围内）。因为模型内部对输入做了固定尺寸处理，分辨率变化主要影响预处理而非推理主体。这让"先小图预览、后大图出图"的工作流成本很低。

工程细节（决定擦除质量的关键设计）

1. 后端抽象 + 自动策略选择

三模型统一抽象为独立后端（eraser/backends/：lama.py / migan.py / classic.py），共享同一掩膜输入与后处理管线。pipeline.py 的 _pick_strategy 按输入尺寸 + 掩膜大小自动选择：

crop（局部裁剪）：按掩膜 bounding box 裁出局部区域推理，保留原图高频细节
resize（整图缩放）：整图压到模型输入尺寸，速度快但山体、织物等高频纹理被压糊

实测对比：crop 明显优于 resize（细节保留更完整）。

2. 大图分块：overlap + ramp 羽化拼接

超长边图片分块推理后拼接（eraser/tiling.py）：

块大小 tile + 相邻块重叠 overlap 像素（步长 = tile − overlap，末块贴边保证不越界不留缝）
重叠区用 _ramp 斜坡权重（线形过渡）混合，避免块间接缝——这是"大图擦除看不出分块痕迹"的关键
多块掩膜推理结果再经 _merge_boxes（按 IOU 合并）统一处理，避免同一物体被拆成多块重复擦

3. 掩膜后处理：膨胀 + 羽化

# 掩膜膨胀 12px（覆盖边缘残留）+ 羽化 5px（柔和过渡）
python erase.py -i photo.jpg -m mask.png -o out.png --model lama --dilate 12 --feather 5

膨胀：掩膜必须比实际物体略大，否则擦除边界留残影——--dilate 12 是安全值
羽化：硬边界会产生可见接缝，羽化让过渡自然

4. 三档切换的总成本 ≈ 0

同一掩膜、同一进程内切换模型：预览用 MI-GAN（0.8s 看构图），满意后 LaMa 出终稿（2.1s），简单水印自动降级 Telea——三档总体验 ≈ 2s。

实测数据

# 环境：Python 3.13 + onnxruntime，模型 models/ 下
python erase.py -i photo.jpg -m mask.png -o out.png --model lama --strategy crop    # 2.1s
python erase.py -i photo.jpg -m mask.png -o out.png --model migan --strategy resize # 0.8s
python erase.py -i photo.jpg -m mask.png -o out.png --model telea --dilate 12 --feather 5 # <50ms

指标	LaMa	MI-GAN	Telea
耗时（1024² 掩膜）	2.1 s	0.8 s	0.05 s
纹理细节保留	最高	略糊	简单背景可用
大掩膜（>1/4 图）	优	中	差

适用边界

适合：通用物体擦除、水印/字幕、无 GPU 的本地工具链、批量处理
不适合：超大半图掩膜（需语义补全时建议专用模型）；毫秒级批处理场景建议 GPU
取舍：不追扩散模型——CPU 场景下 LaMa 的 2.1s 与扩散的 30s+，质量差距不足以弥补 15 倍等待

复现要点

模型来源：IOPaint 官方 ONNX 权重（LaMa big_lama_dyn、MI-GAN）
线程配置：onnxruntime 默认线程即可，12 核 CPU 下已满负荷；批量处理可开多进程并行
参考实现：项目 README 有 smoke/pipeline/benchmark 三组对比图可对照