FFT NPainting LaMa vs Stable Diffusion Inpainting：性能对比评测
在图像修复领域，"移除不需要的物体"看似简单，实则对模型的理解力、上下文建模能力和细节生成质量提出极高要求。当前主流方案中，基于扩散模型的 Stable Diffusion Inpainting 和基于频域重建的 FFT NPainting LaMa 代表了两种截然不同的技术路径——前者依赖大规模文本 - 图像对齐能力进行语义级重绘，后者则通过傅里叶变换在频域中完成结构保持型修复。本文不谈论文公式，不堆参数指标，而是以真实用户视角，从启动速度、操作流畅度、修复质量、适用边界、资源消耗五个维度，对两款工具进行实测对比。所有测试均在同一台配置为 NVIDIA A100 40GB + 64GB RAM 的服务器上完成，输入图像统一为 1280×720 像素的 JPG 文件，修复区域为典型中等复杂度目标（如人物手持物品、背景文字、水印贴纸）。
1. 工具背景与定位差异
1.1 FFT NPainting LaMa：轻量、确定、结构优先
FFT NPainting LaMa 是由科哥基于开源 LaMa 模型二次开发的 WebUI 应用，核心创新在于将原始 LaMa 的空间域卷积替换为快速傅里叶变换（FFT）加速路径，并深度优化推理流程。它不依赖文本提示，也不生成新语义内容，而是专注于'把挖掉的地方，用周围最合理的纹理和结构填满'。其设计哲学是：快、稳、准、省——5 秒内出结果，显存占用稳定在 3.2GB 左右，修复结果无随机性，每次运行完全一致。
1.2 Stable Diffusion Inpainting：灵活、创意、语义驱动
Stable Diffusion Inpainting（本文测试基于 sd-webui-inpainting 插件 + v1-5-pruned-emaonly.safetensors 模型）则走另一条路：它把修复任务当作一次'带掩码的文生图'过程。用户需提供文本提示（prompt），模型据此理解'这里应该是什么'，再结合原图上下文生成内容。它的强项在于能跨语义修复——比如移除一张咖啡杯后，可提示'木质桌面'，让模型生成符合逻辑的木纹；但代价是结果具有随机性，且对 prompt 编写能力有隐性门槛。
1.3 关键差异一目了然
| 维度 | FFT NPainting LaMa | Stable Diffusion Inpainting |
|---|---|---|
| 核心原理 | 频域结构重建（无文本理解） | 扩散模型 + 文本引导（强语义） |
| 是否需要提示词 | ❌ 完全不需要 | 必须填写 prompt |
| 结果确定性 | 每次运行结果完全相同 | ❌ 同一 prompt 多次运行效果不同 |
| 显存占用 | ≈ 3.2 GB（固定） | ≈ 6.8–9.2 GB（随图像尺寸波动） |
| 首次修复耗时 | 4.2–6.8 秒（中图） | 12–28 秒（含模型加载 + 采样） |
| 适合人群 | 追求效率、批量处理、结果可复现的用户 | 需要创意填充、风格控制、语义重构的创作者 |
一句话总结定位：LaMa 是'专业修图师'，专注把破洞补得天衣无缝；SD Inpainting 是'概念画家'，擅长把破洞变成一幅新画。
2. 实测环境与方法说明
2.1 硬件与软件配置
- GPU：NVIDIA A100 40GB（单卡）
- CPU：AMD EPYC 7742 ×2
