SD-WebUI Cleaner 扩展概述

SD-WebUI Cleaner 是为 Stable Diffusion WebUI 设计的一款图像局部擦除插件。其核心底层集成了 Lama (Large Mask inpainting) 模型，专门用于精准移除画面中的多余元素。在图生图（img2img）的局部重绘（Inpainting）工作流中，该扩展能够作为预处理步骤，自动清理遮罩区域的内容，从而为后续的 AI 生成提供更纯净、高质量的上下文背景。

环境配置与安装

在确保 Stable Diffusion WebUI 基础环境已正常运行的前提下，可通过以下步骤完成插件的部署：

1. 进入 WebUI 根目录下的 extensions 文件夹。
2. 使用 Git 克隆插件仓库：

   cd stable-diffusion-webui/extensions/
   git clone https://github.com/novitalabs/sd-webui-cleaner.git

3. 重启 WebUI 服务，系统会自动加载新安装的扩展。
4. 若当前运行环境缺乏 GPU 资源，可进入 WebUI 的设置（Settings）页面，找到 cleaner_use_cpu 选项并将其启用，以强制使用 CPU 进行推理计算。

界面操作指南

安装完成后，该功能将无缝集成到现有的局部重绘面板中：

• 导航至 img2img 选项卡，并切换到 Inpaint 子面板。
• 上传需要处理的图像，并使用画笔工具绘制需要移除的遮罩（Mask）区域。
• 在 Masked content（遮罩内容）下拉菜单中，选择 Lama cleaner。此时，系统会在生成前自动调用 Lama 模型对遮罩区域进行擦除和背景填补。

API 接口集成与代码实现

除了图形界面，该扩展还暴露了 RESTful API 接口，方便开发者将其集成到自动化图像处理管线中。以下是一个使用 Python 调用 /cleanup 端点的完整示例，展示了如何读取本地图像、编码并处理返回结果：

import requests
import base64

def process_image_cleanup(source_path, mask_path, api_url="http://127.0.0.1:7860/cleanup"):
    # 读取源图像和遮罩图像并进行 Base64 编码
    with open(source_path, "rb") as src_file:
        b64_source = base64.b64encode(src_file.read()).decode("utf-8")
        
    with open(mask_path, "rb") as mask_file:
        b64_mask = base64.b64encode(mask_file.read()).decode("utf-8")

    # 构建请求数据载荷
    request_payload = {
        "input_image": b64_source,
        "mask": b64_mask
    }

    # 发起 POST 请求
    api_response = requests.post(api_url, json=request_payload)
    
    if api_response.status_code == 200:
        response_data = api_response.json()
        if response_data.get("code") == 0:
            # 解码返回的清理后图像并保存到本地
            cleaned_img_data = base64.b64decode(response_data["image"])
            with open("output_cleaned.png", "wb") as out_file:
                out_file.write(cleaned_img_data)
            print("图像局部擦除任务执行成功。")
        else:
            print(f"业务逻辑错误: {response_data.get('message')}")
    else:
        print(f"请求失败，HTTP 状态码: {api_response.status_code}")

# 调用示例
process_image_cleanup("original_scene.jpg", "object_mask.png")

应用场景与参数调优

在实际项目中，Lama 预处理机制在以下场景中表现尤为出色：

• 复杂背景还原：在移除画面中的行人、车辆或水印后，Lama 模型能根据周围纹理合理推测并填补背景，避免重绘时出现结构扭曲。
• 高精度图像修复：对于老旧照片的划痕或破损区域，先使用 Lama 进行底层结构修复，再结合 Stable Diffusion 进行细节重绘，可大幅提升最终成图的真实感。

为了获得最佳的擦除效果，建议在绘制 Mask 时适当向外扩展边缘（Padding），确保遮罩完全覆盖目标对象的阴影和反光区域。同时，根据图像分辨率和硬件条件，合理平衡 CPU 与 GPU 的调度策略，以优化整体处理延迟。