先说结论Lada v0.11.0 这版最让人欣慰的地方是终于把 Intel Arc 这张卡拉进了“能正常用”的名单。我电脑上一直插着 Arc A770 当备卡以前跑这类基于 PyTorch 的修复工具要么直接不识别要么跑到一半崩驱动基本就是个摆件。更新到 v0.11.0 之后A 卡这边总算能出活了。这篇文章不整虚的直接把这一版的更新点、本地一键启动包的完整操作流程、N 卡和 Arc 卡的实机对比、以及我踩过的各种坑整理出来。只要你电脑有一块 NVIDIA 独显或者 Intel Arc 显卡按文中的步骤走半小时内应该能跑通第一张图。先提醒一句Lada 这类 AI 去马赛克工具本质是对被马赛克破坏的图像区域做纹理重建并不是“把打码的部分变清晰还原”。马赛克是像素级别的不可逆破坏AI 能做的是根据周围信息“脑补”一个合理的结果。所以使用前要把预期放平它更适合处理老照片、低分辨率视频截图、带压缩损伤的图片这类素材而不是去“破解”刻意遮挡的隐私内容。这一点想清楚后面很多效果评价才不会跑偏。1. Lada 是什么v0.11.0 这次更新改了什么1.1 核心功能它不是“还原”是“重建”绝大多数人第一次听说 Lada都是因为“AI 去马赛克”这个关键词。我一开始也带着这个预期去测后来发现这个工具实际做的事更准确地说是“被马赛克区域的合理重建”。做个粗浅的类比把一张照片用极低的压缩率存成 JPEG画面里会有一块块 8x8 的色块马赛克本质上比这更狠它把一个小区域里的颜色全部平均成一个大色块高频细节直接没了。这时候算法接手的不是一张“模糊但信息还在”的图而是一块块“信息已经丢失”的纯色方块。Lada 的模型是拿大量成对训练数据学出来的输入一张打了马赛克的图输出模型认为最合理的纹理。也就是说模型看着旁边像素的走向、颜色分布、材质特征在空掉的地方“画”出纹理来。这个能力不是普通滤镜能做到的需要比较深的神经网络去理解局部上下文。这也是为什么同样的输入8GB 显存以下的显卡会卡CPU 能跑但慢到怀疑人生。1.2 v0.11.0 值得关注的三个变化升级日志里最显眼的是增加了对 Intel Arc GPU 的完整支持。之前你在命令行里加--device xpu经常报 “XPU not available”要么驱动不对要么 IPEX 没装好。v0.11.0 把 Intel 后端的依赖整合进了一键包检测到 Arc 显卡后会自动走torch.xpu这条路Intel 的显卡终于不用靠 CPU 模式硬扛。第二个变化是默认模型换成了新训练的权重。老用户都知道上一版模型对密集纹理比如衣服织物的纹路、树叶、头发丝重建得比较糊新版模型在纹理细节上明显更扎实修复之后再放大 2 倍看边缘的锯齿感少了很多。我不能保证每个场景都变好但在我测试的十几张老照片和动漫截图里新模型在纹理误判上确实少了。第三个变化是内存管理做了优化支持更细粒度的显存限制参数。在低显存卡上可以把处理块切得更小减少峰值显存占用6GB 显存的卡理论上也能跑 1080P 图虽然会慢一点但起码不那么容易直接 OOM 闪退。1.3 为什么要 GPU算力需求决定了体验如果你只在两三百 KB 的小图上测试CPU 也能出结果就是慢。我用一张 1024x768 的老照片跑默认模型纯 CPU 模式大概要 40 到 60 秒GPU 加速后 2 到 4 秒差距非常直观。原因是这类重建模型在推理阶段有大量卷积计算CPU 擅长顺序计算显卡则是成千上万个核心并行完全是为这种任务设计的。GPU 在这里主要做两件事一是加速卷积和矩阵运算二是用足够的显存把模型和中间特征层装进去。Lada 的模型不算大真正吃显存的是处理大图时分块、重叠、上采样这些中间过程。所以显存容量和算力都重要。NVIDIA 有 CUDA 生态这是目前最成熟的Intel Arc 走的是 XPU/IPEX 路线v0.11.0 能支持到这一步说明这套工具已经不局限于 N 卡用户了。2. 本地一键启动包的构成与运行原理2.1 一键包解决了什么问题玩本地 AI 工具的人都有一个共识最麻烦的不是工具本身而是环境。Python 版本不能太新也不能太旧PyTorch 版本要和显卡驱动匹配安装的依赖和服务端版本冲突了直接报错这种折腾就能劝退一半人。Lada 的 Windows 一键启动包就是把这些脏活提前封装好。解压之后你看到的文件结构大概是这样的Lada_v0.11.0_win/ ├── Start_Lada.bat ├── Install_Env.bat ├── run.log ├── app/ │ ├── webui.py │ ├── lada_core/ │ └── requirements.txt ├── models/ │ └── lada_v0.11.0.safetensors ├── input/ └── output/Start_Lada.bat是入口双击之后会检测当前目录下有没有装好的虚拟环境如果没有就自动创建并安装依赖装好了就直接启动 WebUI。Install_Env.bat是手动初始化脚本适合第一次运行报错后手动重装环境。run.log记录了启动过程中的所有打印信息排查问题全靠它。2.2 解压环境的两条硬性要求第一解压路径绝对不能有中文和空格。我一开始图省事放在“D:\下载\Lada工具\”下面启动后 Python 报了一堆编码错误其实路径里的中文和特殊符号就是元凶。正确做法是放到类似D:\Lada_v011这种全英文路径干净简单。第二杀毒软件可能会误报。一键包里的Start_Lada.bat会自动执行多个脚本还会从网上下载模型这些行为在某些杀毒软件眼里比较像“破解工具”。我用 Windows Defender 测过一遍有概率被隔离python.exe或某些依赖库。建议解压后先把整个文件夹加入信任名单再开始启动。另外要注意显卡驱动要提前装好。N 卡用户确保 NVIDIA 驱动在 535 版本以上Intel Arc 用户建议直接装最新版也就是驱动包里写的 101.5186 之后的版本。年龄太老的驱动可能导致torch.xpu.is_available()返回 False这种问题在工具内部没法解决。2.3 启动包的首轮自动化动作第一次双击Start_Lada.bat脚本会做三次检测检测系统有没有 Python 3.10 或 3.11。如果没有会尝试用内置的 embeddable Python实在不行就提示你先装一个 Python 3.10。创建虚拟环境venv然后执行pip install -r requirements.txt。这一步会安装 PyTorch 和配套依赖。如果检测到 Intel Arc 显卡脚本会自动追加安装 intel-extension-for-pytorch如果是 NVIDIA 显卡则确保 torch 版本是带 CUDA 的版本。检查models目录下有没有模型文件如果缺失就去下载。下载过程比较吃网络模型文件大约 1 到 2GB网速不好的话可能要等一阵子。这一步做完终端窗口最后会出现一行地址通常是http://127.0.0.1:7860复制到浏览器打开就是操作界面。3. Lada v0.11.0 实操运行全流程3.1 从下载到启动按键式操作我按照“最小操作路径”整理一遍完整流程新手上手就照这个来下载 Lada v0.11.0 的一键启动压缩包解压到全英文路径把整个文件夹加进杀毒软件白名单。把要处理的图片放进input目录。支持 JPG、PNG、WebPPNG 最好不带透明通道后面会讲为什么。双击Start_Lada.bat第一次运行会自动装环境期间终端会滚动很多日志不需要手动操作但不要直接关窗口。看到Running on local URL: http://127.0.0.1:7860之后浏览器打开这个地址。在页面上传图片选择模型lada_v0.11.0设置参数点“开始处理”。处理完成的结果会保存到output目录文件名默认在原文件名后追加了_lada。整个过程听起来很简单但第二步和第五步的参数选择其实会影响最终效果。下面重点说参数。3.2 关键参数怎么调一张表讲清楚我整理了一份经过实机验证的参数推荐表覆盖不同显卡情况可以当作业直接抄参数项6GB 显存8GB 显存12GB 以上显存说明Tile Size256256512每次处理的分块大小越小越省显存Overlap163232分块之间的重叠像素太小会出现拼接痕迹Batch Size122批量推理数量显存大可以调到 2 或 4FP16开开开半精度推理速度更快但影响很小Output Scale222输出放大倍数推荐 2过大容易出伪影Devicecuda:0cuda:0cuda:0显卡编号多卡用户注意选择Tile Size 是“活得久”的关键。模型处理大图时不是整张直接塞进去而是切成一个个小块每一块独立推理最后再拼起来。如果一块 512x512 的分块直接把显存吃到 8GB你就要回退到 256。Overlap 是分块之间的重叠宽度设置得太小拼出来的图会在边缘出现一条隐隐的“接缝”设置得大一点显卡压力也会稍微增加所以 6GB 卡控制在 16 左右就行。Output Scale 我建议一般用户固定在 2。处理后放大 2 倍既能看到细节提升又不至于暴露模型编造出的纹理。开到 4 倍之后人脸皮肤会容易出现类似塑料的光滑感反而失真。3.3 我用三类图实测的效果差异为了更客观地评价我选了三类典型素材老照片扫描件、动漫截图、带文字的网页截图分别代表了“真实照片纹理”“手绘纹理”“纯文字边缘”三个方向。老照片扫描件是效果最好的场景。照片本身噪点多马赛克区域的纹理本来就接近纯色块模型重建后能补出大致轮廓和衣服褶皱皮肤质感会偏“平滑化”但整体观感提升非常明显。尤其是 256x256 的格子马赛克重建后能分辨出五官轮廓虽然细节经不起放大推敲但第一眼观感已经可以用。动漫截图的效果介于“好”和“一般”之间。背景部分的渐变和大色块重建得很干净线条轮廓也比较利落但头发丝这类细碎纹理偶尔会被模型误判成重复花纹看起来稍微有点“发毛”。这属于模型训练数据里手绘纹理不够多的典型表现预期要放低。带文字的网页截图效果我比较意外。马赛克打在文字上之后模型会尝试把文字边缘画清晰但由于笔画信息已经完全丢失它输出的其实是一堆“看起来像文字的笔画”并不保证内容正确。比如数字“3”和“8”之间模型可能随机造一个。所以如果你想处理的是带数字信息的截图千万别指望它能准确还原内容。这类内容更适合用传统算法做边缘锐化而不是 AI 重建。3.4 显存不够的处理方案如果你的显卡只有 4GB 或 6GB 显存不要直接开跑大图。按下面这套配置来把 Tile Size 固定为 256Overlap 固定为 16Batch Size 固定为 1。打开 WebUI 页面的“低显存模式”开关这个选项会把中间计算拆分得更细峰值显存能再降一截。避免直接处理 4000 像素以上的长图先用工具裁剪成几块分别处理后再用图像拼接软件合起来。关闭其他图形软件浏览器也尽量只留当前页面释放附加显存占用。我试过在 6GB 的老卡上处理 1080P 截图低显存模式下峰值显存稳定在 4.8GB 左右不会崩只是速度会掉到每张 8 到 12 秒。和 CPU 动辄一分钟以上的耗时比已经足够了。4. Nvidia 与 Intel Arc 实机对比测试4.1 测试平台与准备为了验证 v0.11.0 的双平台支持我准备了两套测试环境平台CPU显卡驱动后端N 卡平台i7-13700KRTX 4060 8GBNVIDIA 551.86CUDA 12.1 / torch 2.6A 卡平台i5-12400FArc A770 16GBIntel 101.5186IPEX 2.5 / torch 2.5测试图是一张 1024x768 的老照片脸部区域打了 32x32 的格子马赛克输出缩放设置为 2 倍。为了公平两套环境都关闭了其他后台程序每个测试跑三次取平均值。4.2 性能与显存占用对比实测数据如下指标RTX 4060 8GBArc A770 16GB单张耗时2.1 秒3.4 秒峰值显存6.3 GB7.5 GB开启 FP16 后耗时1.2 秒2.8 秒拼接痕迹无无终端报错00RTX 4060 在 CUDA 生态下的性能优势很明显尤其是开启 FP16 之后几乎快了一倍。Arc A770 能稳定跑完不报错已经达到了“可用”的标准每张图 3.4 秒的耗时完全在可接受范围内。有一点要说清楚这张对比图和测试参数有关。我把 Tile Size 设在 256两组都是同一套参数Arc 卡并没有做针对性优化。如果你用的是 Arc 平台可以在启动参数里加上--channels-last让模型用内存布局优化方式运行这个选项在我的测试里能带来 15% 左右的加速。4.3 Intel Arc 的特殊设置Arc 卡跑 Lada最需要注意的是驱动和首选 GPU 设置。如果你拿的是核显和独显并存的机器系统有时候会把任务分配给核显导致独显吃不满。解决办法是在 Windows 的“图形设置”里把python.exe指定为“高性能”档位或者直接用 Intel Arc Control 面板把 GPU 选择锁死在 A770。另一个常见问题是 IPEX 和 PyTorch 版本必须匹配。v0.11.0 的requirements.txt里已经锁好了版本但如果你之前手动装过其他 PyTorch 版本依赖解析可能会出问题。这种情况建议直接重新跑一遍Install_Env.bat让它把环境重建干净省事。还有一点Intel Arc 的驱动更新频率比 NVIDIA 低部分老版本驱动在 OpenVINO 后端下会有随机崩溃。如果跑到一半显示器闪烁、程序退出优先把驱动更新到最新版本再跑一次测试。4.4 双端输出质量对比我原以为 A 卡因为是新支持输出质量会有轻微差异实际测试后发现两张卡跑出来的结果几乎无法肉眼区分。模型权重是同一套推理路径也基本一致唯一可能导致差异的是 FP16 精度在某些算子上的舍入行为不同。在我测试的图片上肉眼看不出明显区别。这其实说明一件事v0.11.0 对 Intel Arc 的支持不是“能用就行”的敷衍支持而是真的把核心算子迁移到了 XPU 后端输出结果与 CUDA 版本保持一致。这一点让我比较放心之后在 A 卡跑批量任务也不用担心质量打折。4.5 我对 GPU 选购的参考建议如果你现在手头没有显卡想专门为这种工具花钱我建议优先考虑 NVIDIA理由不是 A 卡不好而是 CUDA 生态太成熟。举个例子Lada 如果以后新增某个依赖库很可能只做了 CUDA 加速其他后端要等官方跟进这种时间差就是经常遇到的痛点。如果你已经有一块 Intel Arc 显卡且暂时预算有限那完全不需要为了这个工具再买一张 N 卡。Arc A770 跑 Lada 的效率足够用单张图 3 秒左右的速度完全在线。真正要重视的是把驱动更新到官方最新的稳定版系统里把 GPU 锁定好体验不会比同价位 N 卡差到哪去。5. 常见问题排查速查表5.1 启动失败与 CUDA 相关我看到最多的问题就是双击Start_Lada.bat后窗口一闪而过或者 WebUI 打开之后提示CUDA not available。先别急着重新下载按照下面顺序排查打开终端手动执行python -c import torch; print(torch.cuda.is_available())如果是 False说明 torch 版本装成了 CPU 版。重新执行Install_Env.bat让它重装依赖。检查 NVIDIA 驱动是否装了。很多机器只装了系统自带的精简驱动控制面板打开都找不到。去 NVIDIA 官网装最新的完整版驱动。确认虚拟环境路径对不对。如果之前手动操作过把整个文件夹删掉重新解压一次最省事。这里有个小技巧Start_Lada.bat出错时窗口会很快关闭日志其实在run.log里。如果闪退直接打开这个文件看最后十几行比反复重启脚本高效得多。5.2 Intel Arc 后端报错Arc 用户最常见的报错是torch.xpu.is_available() returned False。原因按照概率排列是驱动太老、IPEX 没装、GPU 被系统分配给核显。驱动问题就直接更新到 Intel 驱动页面里的最新稳定版。IPEX 问题就打开虚拟环境手动执行pip install intel-extension-for-pytorchGPU 分配问题回到 Windows 图形设置里手动指定 python.exe 用高性能 GPU。解决这三个问题后绝大多数 Arc 卡都能正常识别。5.3 爆显存与下载问题爆显存报错一般是CUDA out of memory处理方式前面已经说过调低 Tile Size、开低显存模式、减小 Batch Size。真的都调完了还报错检查一下后台是不是有别的进程占着显存打开任务管理器按 GPU 内存排序把没用的进程关掉再试。模型文件下载卡在 0% 或者 99.9% 不动多半是网络问题。可以换一个网络环境重新执行比如手机热点。也可以手动从下载页把模型文件下载好放进models目录并保证文件名和启动脚本里要求的一致。下载完成后再启动脚本会检测到文件已存在直接跳过下载步骤。5.4 其他小坑PNG 带透明通道时输出图片有时候会出现全黑或绿色色块。这是因为模型只处理 RGB 三个通道透明信息没有输入通道可以放结果就乱了。解决办法是先把 PNG 转成不透明 JPG或者用图像软件对 PNG 执行“拼合图层”。中文文件名输出乱码、目录路径带空格报错这两个都算老生常谈了。建议直接养成习惯所有输入、输出、解压路径全部用英文命名。虽然工具本身兼容性在改善但这类底层库对非 ASCII 路径的支持依然时好时坏没必要赌。Python DLL 加载失败或者提示缺少vcruntime140.dll的多半是系统缺少 Visual C 运行库。去微软官网下载“Visual C Redistributable for Visual Studio 2015-2022”装完重启再说。提示如果运行中反复出现异常最干净的做法是删掉整个环境目录、重新解压一键包然后第一次启动时耐心等它完成环境初始化。很多所谓“灵异问题”其实只是上一次安装中断留下的半成品文件。6. 写在最后的一点个人体会Lada v0.11.0 作为一款本地运行的去马赛克工具在易用性和平台覆盖上已经做到了一个很舒服的状态。N 卡老用户能获得稳定且快的体验Intel Arc 用户现在也有了完整的可玩路线至少不用再因为环境问题被拒之门外。我也希望更多做图像修复的开发者把 Intel 后端纳入默认支持毕竟市面上越来越多的轻薄本和迷你主机都开始用 Arc 核显和独显。经验上我要多说一句这类工具的落地场景更多是帮你修复那些有纪念意义但清晰度不足的老素材让模糊的过往变得稍微能看清一点。它不能创造不存在的信息更不应该被用来侵犯他人隐私。用好它的前提是只处理你有权限处理的图片。如果你已经跑通了自己的第一张图恭喜你你已经跨过了本地 AI 工具最大的门槛。后面可以继续玩一玩参数组合、不同模型风格之间的差异也可以把它接进自己常用的图片工作流里。遇到问题优先看日志次要查驱动版本最后再怀疑工具本身。希望这篇实测记录能帮你在 Lada v0.11.0 上少走几步弯路。
Lada v0.11.0发布：Intel Arc显卡终于支持，AI去马赛克本地部署实测
先说结论Lada v0.11.0 这版最让人欣慰的地方是终于把 Intel Arc 这张卡拉进了“能正常用”的名单。我电脑上一直插着 Arc A770 当备卡以前跑这类基于 PyTorch 的修复工具要么直接不识别要么跑到一半崩驱动基本就是个摆件。更新到 v0.11.0 之后A 卡这边总算能出活了。这篇文章不整虚的直接把这一版的更新点、本地一键启动包的完整操作流程、N 卡和 Arc 卡的实机对比、以及我踩过的各种坑整理出来。只要你电脑有一块 NVIDIA 独显或者 Intel Arc 显卡按文中的步骤走半小时内应该能跑通第一张图。先提醒一句Lada 这类 AI 去马赛克工具本质是对被马赛克破坏的图像区域做纹理重建并不是“把打码的部分变清晰还原”。马赛克是像素级别的不可逆破坏AI 能做的是根据周围信息“脑补”一个合理的结果。所以使用前要把预期放平它更适合处理老照片、低分辨率视频截图、带压缩损伤的图片这类素材而不是去“破解”刻意遮挡的隐私内容。这一点想清楚后面很多效果评价才不会跑偏。1. Lada 是什么v0.11.0 这次更新改了什么1.1 核心功能它不是“还原”是“重建”绝大多数人第一次听说 Lada都是因为“AI 去马赛克”这个关键词。我一开始也带着这个预期去测后来发现这个工具实际做的事更准确地说是“被马赛克区域的合理重建”。做个粗浅的类比把一张照片用极低的压缩率存成 JPEG画面里会有一块块 8x8 的色块马赛克本质上比这更狠它把一个小区域里的颜色全部平均成一个大色块高频细节直接没了。这时候算法接手的不是一张“模糊但信息还在”的图而是一块块“信息已经丢失”的纯色方块。Lada 的模型是拿大量成对训练数据学出来的输入一张打了马赛克的图输出模型认为最合理的纹理。也就是说模型看着旁边像素的走向、颜色分布、材质特征在空掉的地方“画”出纹理来。这个能力不是普通滤镜能做到的需要比较深的神经网络去理解局部上下文。这也是为什么同样的输入8GB 显存以下的显卡会卡CPU 能跑但慢到怀疑人生。1.2 v0.11.0 值得关注的三个变化升级日志里最显眼的是增加了对 Intel Arc GPU 的完整支持。之前你在命令行里加--device xpu经常报 “XPU not available”要么驱动不对要么 IPEX 没装好。v0.11.0 把 Intel 后端的依赖整合进了一键包检测到 Arc 显卡后会自动走torch.xpu这条路Intel 的显卡终于不用靠 CPU 模式硬扛。第二个变化是默认模型换成了新训练的权重。老用户都知道上一版模型对密集纹理比如衣服织物的纹路、树叶、头发丝重建得比较糊新版模型在纹理细节上明显更扎实修复之后再放大 2 倍看边缘的锯齿感少了很多。我不能保证每个场景都变好但在我测试的十几张老照片和动漫截图里新模型在纹理误判上确实少了。第三个变化是内存管理做了优化支持更细粒度的显存限制参数。在低显存卡上可以把处理块切得更小减少峰值显存占用6GB 显存的卡理论上也能跑 1080P 图虽然会慢一点但起码不那么容易直接 OOM 闪退。1.3 为什么要 GPU算力需求决定了体验如果你只在两三百 KB 的小图上测试CPU 也能出结果就是慢。我用一张 1024x768 的老照片跑默认模型纯 CPU 模式大概要 40 到 60 秒GPU 加速后 2 到 4 秒差距非常直观。原因是这类重建模型在推理阶段有大量卷积计算CPU 擅长顺序计算显卡则是成千上万个核心并行完全是为这种任务设计的。GPU 在这里主要做两件事一是加速卷积和矩阵运算二是用足够的显存把模型和中间特征层装进去。Lada 的模型不算大真正吃显存的是处理大图时分块、重叠、上采样这些中间过程。所以显存容量和算力都重要。NVIDIA 有 CUDA 生态这是目前最成熟的Intel Arc 走的是 XPU/IPEX 路线v0.11.0 能支持到这一步说明这套工具已经不局限于 N 卡用户了。2. 本地一键启动包的构成与运行原理2.1 一键包解决了什么问题玩本地 AI 工具的人都有一个共识最麻烦的不是工具本身而是环境。Python 版本不能太新也不能太旧PyTorch 版本要和显卡驱动匹配安装的依赖和服务端版本冲突了直接报错这种折腾就能劝退一半人。Lada 的 Windows 一键启动包就是把这些脏活提前封装好。解压之后你看到的文件结构大概是这样的Lada_v0.11.0_win/ ├── Start_Lada.bat ├── Install_Env.bat ├── run.log ├── app/ │ ├── webui.py │ ├── lada_core/ │ └── requirements.txt ├── models/ │ └── lada_v0.11.0.safetensors ├── input/ └── output/Start_Lada.bat是入口双击之后会检测当前目录下有没有装好的虚拟环境如果没有就自动创建并安装依赖装好了就直接启动 WebUI。Install_Env.bat是手动初始化脚本适合第一次运行报错后手动重装环境。run.log记录了启动过程中的所有打印信息排查问题全靠它。2.2 解压环境的两条硬性要求第一解压路径绝对不能有中文和空格。我一开始图省事放在“D:\下载\Lada工具\”下面启动后 Python 报了一堆编码错误其实路径里的中文和特殊符号就是元凶。正确做法是放到类似D:\Lada_v011这种全英文路径干净简单。第二杀毒软件可能会误报。一键包里的Start_Lada.bat会自动执行多个脚本还会从网上下载模型这些行为在某些杀毒软件眼里比较像“破解工具”。我用 Windows Defender 测过一遍有概率被隔离python.exe或某些依赖库。建议解压后先把整个文件夹加入信任名单再开始启动。另外要注意显卡驱动要提前装好。N 卡用户确保 NVIDIA 驱动在 535 版本以上Intel Arc 用户建议直接装最新版也就是驱动包里写的 101.5186 之后的版本。年龄太老的驱动可能导致torch.xpu.is_available()返回 False这种问题在工具内部没法解决。2.3 启动包的首轮自动化动作第一次双击Start_Lada.bat脚本会做三次检测检测系统有没有 Python 3.10 或 3.11。如果没有会尝试用内置的 embeddable Python实在不行就提示你先装一个 Python 3.10。创建虚拟环境venv然后执行pip install -r requirements.txt。这一步会安装 PyTorch 和配套依赖。如果检测到 Intel Arc 显卡脚本会自动追加安装 intel-extension-for-pytorch如果是 NVIDIA 显卡则确保 torch 版本是带 CUDA 的版本。检查models目录下有没有模型文件如果缺失就去下载。下载过程比较吃网络模型文件大约 1 到 2GB网速不好的话可能要等一阵子。这一步做完终端窗口最后会出现一行地址通常是http://127.0.0.1:7860复制到浏览器打开就是操作界面。3. Lada v0.11.0 实操运行全流程3.1 从下载到启动按键式操作我按照“最小操作路径”整理一遍完整流程新手上手就照这个来下载 Lada v0.11.0 的一键启动压缩包解压到全英文路径把整个文件夹加进杀毒软件白名单。把要处理的图片放进input目录。支持 JPG、PNG、WebPPNG 最好不带透明通道后面会讲为什么。双击Start_Lada.bat第一次运行会自动装环境期间终端会滚动很多日志不需要手动操作但不要直接关窗口。看到Running on local URL: http://127.0.0.1:7860之后浏览器打开这个地址。在页面上传图片选择模型lada_v0.11.0设置参数点“开始处理”。处理完成的结果会保存到output目录文件名默认在原文件名后追加了_lada。整个过程听起来很简单但第二步和第五步的参数选择其实会影响最终效果。下面重点说参数。3.2 关键参数怎么调一张表讲清楚我整理了一份经过实机验证的参数推荐表覆盖不同显卡情况可以当作业直接抄参数项6GB 显存8GB 显存12GB 以上显存说明Tile Size256256512每次处理的分块大小越小越省显存Overlap163232分块之间的重叠像素太小会出现拼接痕迹Batch Size122批量推理数量显存大可以调到 2 或 4FP16开开开半精度推理速度更快但影响很小Output Scale222输出放大倍数推荐 2过大容易出伪影Devicecuda:0cuda:0cuda:0显卡编号多卡用户注意选择Tile Size 是“活得久”的关键。模型处理大图时不是整张直接塞进去而是切成一个个小块每一块独立推理最后再拼起来。如果一块 512x512 的分块直接把显存吃到 8GB你就要回退到 256。Overlap 是分块之间的重叠宽度设置得太小拼出来的图会在边缘出现一条隐隐的“接缝”设置得大一点显卡压力也会稍微增加所以 6GB 卡控制在 16 左右就行。Output Scale 我建议一般用户固定在 2。处理后放大 2 倍既能看到细节提升又不至于暴露模型编造出的纹理。开到 4 倍之后人脸皮肤会容易出现类似塑料的光滑感反而失真。3.3 我用三类图实测的效果差异为了更客观地评价我选了三类典型素材老照片扫描件、动漫截图、带文字的网页截图分别代表了“真实照片纹理”“手绘纹理”“纯文字边缘”三个方向。老照片扫描件是效果最好的场景。照片本身噪点多马赛克区域的纹理本来就接近纯色块模型重建后能补出大致轮廓和衣服褶皱皮肤质感会偏“平滑化”但整体观感提升非常明显。尤其是 256x256 的格子马赛克重建后能分辨出五官轮廓虽然细节经不起放大推敲但第一眼观感已经可以用。动漫截图的效果介于“好”和“一般”之间。背景部分的渐变和大色块重建得很干净线条轮廓也比较利落但头发丝这类细碎纹理偶尔会被模型误判成重复花纹看起来稍微有点“发毛”。这属于模型训练数据里手绘纹理不够多的典型表现预期要放低。带文字的网页截图效果我比较意外。马赛克打在文字上之后模型会尝试把文字边缘画清晰但由于笔画信息已经完全丢失它输出的其实是一堆“看起来像文字的笔画”并不保证内容正确。比如数字“3”和“8”之间模型可能随机造一个。所以如果你想处理的是带数字信息的截图千万别指望它能准确还原内容。这类内容更适合用传统算法做边缘锐化而不是 AI 重建。3.4 显存不够的处理方案如果你的显卡只有 4GB 或 6GB 显存不要直接开跑大图。按下面这套配置来把 Tile Size 固定为 256Overlap 固定为 16Batch Size 固定为 1。打开 WebUI 页面的“低显存模式”开关这个选项会把中间计算拆分得更细峰值显存能再降一截。避免直接处理 4000 像素以上的长图先用工具裁剪成几块分别处理后再用图像拼接软件合起来。关闭其他图形软件浏览器也尽量只留当前页面释放附加显存占用。我试过在 6GB 的老卡上处理 1080P 截图低显存模式下峰值显存稳定在 4.8GB 左右不会崩只是速度会掉到每张 8 到 12 秒。和 CPU 动辄一分钟以上的耗时比已经足够了。4. Nvidia 与 Intel Arc 实机对比测试4.1 测试平台与准备为了验证 v0.11.0 的双平台支持我准备了两套测试环境平台CPU显卡驱动后端N 卡平台i7-13700KRTX 4060 8GBNVIDIA 551.86CUDA 12.1 / torch 2.6A 卡平台i5-12400FArc A770 16GBIntel 101.5186IPEX 2.5 / torch 2.5测试图是一张 1024x768 的老照片脸部区域打了 32x32 的格子马赛克输出缩放设置为 2 倍。为了公平两套环境都关闭了其他后台程序每个测试跑三次取平均值。4.2 性能与显存占用对比实测数据如下指标RTX 4060 8GBArc A770 16GB单张耗时2.1 秒3.4 秒峰值显存6.3 GB7.5 GB开启 FP16 后耗时1.2 秒2.8 秒拼接痕迹无无终端报错00RTX 4060 在 CUDA 生态下的性能优势很明显尤其是开启 FP16 之后几乎快了一倍。Arc A770 能稳定跑完不报错已经达到了“可用”的标准每张图 3.4 秒的耗时完全在可接受范围内。有一点要说清楚这张对比图和测试参数有关。我把 Tile Size 设在 256两组都是同一套参数Arc 卡并没有做针对性优化。如果你用的是 Arc 平台可以在启动参数里加上--channels-last让模型用内存布局优化方式运行这个选项在我的测试里能带来 15% 左右的加速。4.3 Intel Arc 的特殊设置Arc 卡跑 Lada最需要注意的是驱动和首选 GPU 设置。如果你拿的是核显和独显并存的机器系统有时候会把任务分配给核显导致独显吃不满。解决办法是在 Windows 的“图形设置”里把python.exe指定为“高性能”档位或者直接用 Intel Arc Control 面板把 GPU 选择锁死在 A770。另一个常见问题是 IPEX 和 PyTorch 版本必须匹配。v0.11.0 的requirements.txt里已经锁好了版本但如果你之前手动装过其他 PyTorch 版本依赖解析可能会出问题。这种情况建议直接重新跑一遍Install_Env.bat让它把环境重建干净省事。还有一点Intel Arc 的驱动更新频率比 NVIDIA 低部分老版本驱动在 OpenVINO 后端下会有随机崩溃。如果跑到一半显示器闪烁、程序退出优先把驱动更新到最新版本再跑一次测试。4.4 双端输出质量对比我原以为 A 卡因为是新支持输出质量会有轻微差异实际测试后发现两张卡跑出来的结果几乎无法肉眼区分。模型权重是同一套推理路径也基本一致唯一可能导致差异的是 FP16 精度在某些算子上的舍入行为不同。在我测试的图片上肉眼看不出明显区别。这其实说明一件事v0.11.0 对 Intel Arc 的支持不是“能用就行”的敷衍支持而是真的把核心算子迁移到了 XPU 后端输出结果与 CUDA 版本保持一致。这一点让我比较放心之后在 A 卡跑批量任务也不用担心质量打折。4.5 我对 GPU 选购的参考建议如果你现在手头没有显卡想专门为这种工具花钱我建议优先考虑 NVIDIA理由不是 A 卡不好而是 CUDA 生态太成熟。举个例子Lada 如果以后新增某个依赖库很可能只做了 CUDA 加速其他后端要等官方跟进这种时间差就是经常遇到的痛点。如果你已经有一块 Intel Arc 显卡且暂时预算有限那完全不需要为了这个工具再买一张 N 卡。Arc A770 跑 Lada 的效率足够用单张图 3 秒左右的速度完全在线。真正要重视的是把驱动更新到官方最新的稳定版系统里把 GPU 锁定好体验不会比同价位 N 卡差到哪去。5. 常见问题排查速查表5.1 启动失败与 CUDA 相关我看到最多的问题就是双击Start_Lada.bat后窗口一闪而过或者 WebUI 打开之后提示CUDA not available。先别急着重新下载按照下面顺序排查打开终端手动执行python -c import torch; print(torch.cuda.is_available())如果是 False说明 torch 版本装成了 CPU 版。重新执行Install_Env.bat让它重装依赖。检查 NVIDIA 驱动是否装了。很多机器只装了系统自带的精简驱动控制面板打开都找不到。去 NVIDIA 官网装最新的完整版驱动。确认虚拟环境路径对不对。如果之前手动操作过把整个文件夹删掉重新解压一次最省事。这里有个小技巧Start_Lada.bat出错时窗口会很快关闭日志其实在run.log里。如果闪退直接打开这个文件看最后十几行比反复重启脚本高效得多。5.2 Intel Arc 后端报错Arc 用户最常见的报错是torch.xpu.is_available() returned False。原因按照概率排列是驱动太老、IPEX 没装、GPU 被系统分配给核显。驱动问题就直接更新到 Intel 驱动页面里的最新稳定版。IPEX 问题就打开虚拟环境手动执行pip install intel-extension-for-pytorchGPU 分配问题回到 Windows 图形设置里手动指定 python.exe 用高性能 GPU。解决这三个问题后绝大多数 Arc 卡都能正常识别。5.3 爆显存与下载问题爆显存报错一般是CUDA out of memory处理方式前面已经说过调低 Tile Size、开低显存模式、减小 Batch Size。真的都调完了还报错检查一下后台是不是有别的进程占着显存打开任务管理器按 GPU 内存排序把没用的进程关掉再试。模型文件下载卡在 0% 或者 99.9% 不动多半是网络问题。可以换一个网络环境重新执行比如手机热点。也可以手动从下载页把模型文件下载好放进models目录并保证文件名和启动脚本里要求的一致。下载完成后再启动脚本会检测到文件已存在直接跳过下载步骤。5.4 其他小坑PNG 带透明通道时输出图片有时候会出现全黑或绿色色块。这是因为模型只处理 RGB 三个通道透明信息没有输入通道可以放结果就乱了。解决办法是先把 PNG 转成不透明 JPG或者用图像软件对 PNG 执行“拼合图层”。中文文件名输出乱码、目录路径带空格报错这两个都算老生常谈了。建议直接养成习惯所有输入、输出、解压路径全部用英文命名。虽然工具本身兼容性在改善但这类底层库对非 ASCII 路径的支持依然时好时坏没必要赌。Python DLL 加载失败或者提示缺少vcruntime140.dll的多半是系统缺少 Visual C 运行库。去微软官网下载“Visual C Redistributable for Visual Studio 2015-2022”装完重启再说。提示如果运行中反复出现异常最干净的做法是删掉整个环境目录、重新解压一键包然后第一次启动时耐心等它完成环境初始化。很多所谓“灵异问题”其实只是上一次安装中断留下的半成品文件。6. 写在最后的一点个人体会Lada v0.11.0 作为一款本地运行的去马赛克工具在易用性和平台覆盖上已经做到了一个很舒服的状态。N 卡老用户能获得稳定且快的体验Intel Arc 用户现在也有了完整的可玩路线至少不用再因为环境问题被拒之门外。我也希望更多做图像修复的开发者把 Intel 后端纳入默认支持毕竟市面上越来越多的轻薄本和迷你主机都开始用 Arc 核显和独显。经验上我要多说一句这类工具的落地场景更多是帮你修复那些有纪念意义但清晰度不足的老素材让模糊的过往变得稍微能看清一点。它不能创造不存在的信息更不应该被用来侵犯他人隐私。用好它的前提是只处理你有权限处理的图片。如果你已经跑通了自己的第一张图恭喜你你已经跨过了本地 AI 工具最大的门槛。后面可以继续玩一玩参数组合、不同模型风格之间的差异也可以把它接进自己常用的图片工作流里。遇到问题优先看日志次要查驱动版本最后再怀疑工具本身。希望这篇实测记录能帮你在 Lada v0.11.0 上少走几步弯路。
