圖像修復（Image Inpainting）

什麼是圖像修復（Image Inpainting）？

圖像修復是一項電腦視覺技術，能在完全不改動其餘畫面的情況下，重建或替換影像中的特定區域。這項技術最早用於修復受損老照片或消除雜物；如今則廣泛由擴散模型（Diffusion Models）驅動，為遮罩區域填入兼具情境理解與逼真細節的全新內容。

在虛擬試穿應用中，圖像修復技術將生成範圍嚴格限制在服裝區域：原始照片中的臉部、髮型與背景皆能逐像素完整保留，僅有衣物範圍會被重新生成。

虛擬試穿管線的運作流程

1. 建立遮罩：透過影像分割（Image Segmentation）精確勾勒出欲替換的衣物邊界，產出像素級遮罩。
2. 情境編碼：模型分析遮罩以外的所有視覺要素，包含膚色、光源方向與環境背景。
3. 條件式生成：以商品圖與人物姿勢為依據，在遮罩區域內生成合身的新服裝。
4. 邊緣融合：對遮罩邊緣進行羽化處理，讓新生成的區域與原圖像素自然接合、毫無破綻。

面臨的主要挑戰

• 遮罩精準度：若遮罩漏掉了袖子，舊衣物就會穿幫殘留；若範圍過大，則可能誤傷手指或髮尾。
• 遮擋問題（Occlusion）：垂落在衣服前方的髮絲或交叉的手臂，必須維持在前景層，不能被新生成的衣服蓋過。
• 邊界擬真度：生成區域與原始像素之間若出現肉眼可見的接縫，試穿效果就會失真，尤其在衣領與下擺處最為明顯。

圖像修復技術簡史

年代	核心技術	代表案例
2000 年代	偏微分方程（PDE）擴散法：將周圍像素向內擴散至小範圍破洞	Telea 快速行進演算法（2004），常用於去除刮痕與浮水印
2009 至 2015 年	區塊合成技術（Patch-based）：從影像其他部位複製匹配的紋理區塊	PatchMatch（2009），Photoshop「內容感知填滿」（2010）的核心基礎
2018 至 2021 年	深度學習模型：訓練神經網路填補大面積空缺並維持合理結構	LaMa（2021），擅長處理大面積遮罩與重複紋理
2022 年至今	生成式擴散修復（Diffusion Inpainting）：依據文字提示或參考圖憑空生成全新內容	Stable Diffusion 及其衍生之擴散修復模型

前三代技術著重於「還原」遮罩背後原本可能存在的畫面；而生成式修復則能「無中生有」，這正是它能顛覆虛擬試穿的關鍵：遮罩區域能被直接換上一件原本根本不存在於照片中的全新服飾。

試穿之外的廣泛應用

• 物件消除：一鍵移除照片中多餘的路人、雜亂電線或商業標誌。
• 相片修復：修補老照片掃描檔上的摺痕、污漬與缺角。
• 畫面延展（Outpainting）：與修復相反，將視野擴展至原始畫框邊界之外。
• 商品圖後製：更換棚拍背景，或撫平衣物拍攝時產生的皺褶。

無遮罩（Mask-free）替代方案

近期部分試穿系統開始嘗試免去明確遮罩：模型直接接收人物原圖與商品圖，自行判斷並調整需要替換的像素。這種做法避免了遮罩判斷失誤帶來的問題（如遺漏袖口或抹去手指），但相對較難保證臉部與背景能 100% 原汁原味保留。因此，目前業界許多成熟的管線依然採取「精準遮罩搭配生成模型」的混合架構。

常見問答

為您解答疑問。

圖像修復（Inpainting）和內容感知填滿（Content-Aware Fill）是一樣的東西嗎？↓

兩者概念相近，但能力層次截然不同。內容感知填滿主要複製周遭既有的紋理來抹除雜物；而生成式圖像修復則具備語意理解能力，能無中生有合成出全新且合乎邏輯的內容，例如換上一件照片中原本沒有的衣服。

AI 領域中的圖像修復（Inpainting）是指什麼？↓

在 AI 影像生成領域中，圖像修復是指在保留其餘畫面不變的前提下，僅重新生成被遮罩選取的特定區域。擴散模型會參考文字提示詞或外部商品圖，在遮罩內填入完美融入整體光影與環境風格的全新影像。