实践：文字与马赛克自动擦除 + 画质增强——一条 CPU 上的完整图像处理流水线

一句话结论：一套纯 CPU 的端到端图像处理流水线——PP-OCRv4 DBNet 定位文字（0.2~0.5s）+ 纯 CV 检测马赛克（实时）+ 掩码 OR 合并交给 LaMa 擦除（2.1s），之后可选接「分析→修复→放大→精修」四阶段画质增强。实测字幕条场景全流程 ≈3s/帧（1920×1080）。

背景与动机

场景：批量去字幕/水印/标注、隐私打码去除、老照片抢救
痛点：全量 OCR（含识别分支）又大又慢；马赛克检测常被做成要训练的模型；擦除后画质往往需要增强——没有一个纯 CPU 可跑的完整闭环
约束：与擦除基准篇相同——ONNX Runtime CPU 路线

核心思路（三层流水线）

第一层：检测（自动生成掩码）

文字检测（PP-OCRv4 DBNet）：

只用检测分支（DB 文本检测），不跑识别——模型 ~~4.5 MB、CPU 0.2~~0.5s/张
输出文字多边形框 → 转二值掩码 → 按框膨胀覆盖笔画边缘

马赛克检测（纯 CV，零模型）：

基于马赛克的视觉特征：块状网格 + 局部高频缺失——用网格梯度一致性判定
--mosaic-grid-thr 控制严格度（0.7~0.9 是多数图的安全区间，人脸打码建议 0.9）
CPU 实时（毫秒级），无需加载任何模型

第二层：掩码合并 + 擦除

多来源掩码（文字 + 马赛克 + 手动涂抹）按位 OR 合并为一张总掩码
统一 --dilate + --feather 后交给 LaMa（三模型选型见基准篇）
--roi x,y,w,h 限定检测区域——只擦字幕条，避免误伤画面主体
多个文字框先经 _merge_boxes（IOU 合并）减少碎片掩码；再统一膨胀

检测参数（真实实现值）：DBNet 推理阈值 thresh=0.2、框过滤 box_thresh=0.35、unclip_ratio=1.8（文字框外扩比例）——unclip_ratio 1.8 意味着文字框在生成掩码时向外扩 1.8 倍，正好补足笔画边缘残留，是"文字擦干净"的关键参数。

第三层（可选）：画质增强四阶段

擦除后接 enhance.py 的**「分析 → 修复 → 放大 → 精修」**流水线（全部 ONNX Runtime CPU）：

阶段	做什么	关键模型（CPU 验证）
分析	NIMA 画质评分 + 实拍/二次元判别	NIMA mobilenet（~MB级）
修复	去 JPEG 伪影 / 去噪 / 去运动模糊	1xDeJPG/1xDeNoise（PLKSR）、1x-hurrdeblur（0.18 MB，极快）
放大	超分 2x/4x	SPAN-4x（1.7 MB 最快）、Real-ESRGAN general-fast（5 MB 细节扎实）、Real-CUGAN（二次元）
精修	人脸修复	YOLOv8n-face 检测 5 关键点 → GPEN-BFR-512（284 MB）

预设：fast（仅锐化）/ balanced（默认 2x SPAN）/ quality（4x Real-ESRGAN + 全修复 + 人脸）/ anime。

关键踩坑：色彩保真（放大不该改变颜色）

早期 quality（4x + 人脸）后整体偏色发暗，根因两处：

白平衡误触发：旧判据用"全图三通道均值极差"估色偏（阈值 12），把夕阳/绿植/红砖这类本来就有主色调的照片误判成偏色而去自动白平衡。修复：只在**本该中性（低饱和）**的像素上估光源色偏，阈值提到 22——正常照片读数普遍 <10，够不到阈值，默认不动色彩；白平衡加护栏（增益限幅 1.30 + 保亮度），真偏色仍能修（钨丝灯 60→12）。
超分模型自带通道偏置：实测 SPAN-4x.onnx 输出 ≈0.958·in + bias（bias≈R−0.8/G+3.3/B+6.1），整体压暗约 4% 且红降蓝升——“一放大颜色就变了"的根因。修法：低频对齐（enhance.align_low_freq）——超分只该补高频，整体明暗/色彩应等于输入，把输出低频拉回输入低频即可；对本身干净的 Real-ESRGAN（偏置 <1）近似无操作，不是给 SPAN 写死的魔法数。

修复后 quality/balanced 通道增益回到 ~1.000（最大偏离 <0.005）。--keep-color 可彻底交给用户手控。

实测数据

# 检测 + 擦除
python erase.py -i frame.jpg -o out.png --detect-text                      # 整图文字（去水印）
python erase.py -i frame.jpg -o out.png --detect-text --roi 50,450,1020,180 # 只擦字幕条
python erase.py -i frame.jpg -o out.png --detect-mosaic --mosaic-grid-thr 0.9
python erase.py -i frame.jpg -o out.png --detect-text --detect-mosaic      # 掩码 OR 合并

# 擦除 + 增强 组合
python erase.py -i text.jpg -o erased.png --detect-text --enhance --enhance-preset balanced
python enhance.py -i old.jpg -o out.png --preset quality --keep-color      # 老照片抢救保色

步骤	耗时（CPU）
DBNet 文字检测	0.2 ~ 0.5 s/帧
马赛克检测（纯 CV）	实时（毫秒级）
LaMa 擦除	~2.1 s/帧
字幕条全流程	≈3 s/帧（1920×1080）
增强 balanced（2x）	秒级；quality（4x+人脸）数十秒

适用边界与取舍

适合：去字幕/水印/标注、隐私打码、视频帧批量清理、擦除后画质增强的完整闭环
不适合：曲形艺术字（掩码复杂擦除易糊）、<12px 小字（DBNet 易漏）、对色彩绝对敏感的出版级场景（需人工校色）
取舍：只用 DBNet 检测分支换速度；需要"识别文字内容”（如敏感词判定）再接识别分支，但延迟显著增加——按需取舍

复现要点

检测模型：PP-OCRv4 DBNet ONNX（~4.5 MB），增强模型约 1 GB 由 scripts/fetch_enhance_models.py 从 hf-mirror.com 拉取
验证脚本：scripts/test_color_fidelity.py（秒级，覆盖误触发/真偏色/护栏/keep-color 四类）
环境：Python 3.13 + OpenCV 5.0 + onnxruntime，纯 CPU