Moonshine-Image 是一个面向本地图片与视频去除任务的 Windows 桌面工具，支持 Lama 通用擦除、MAT 蒙版修复、SLBR 半透明水印去除、视频帧处理、模型管理、后端诊断和 FFmpeg 兜底导出。
项目基于 Vue 3、Quasar、Electron 与本地 Python 后端构建，最初基于 IOPaint 二次开发，目前已经迁移为仓库内置的 moonshine_server 后端服务。
更多使用到的依赖：Web视频处理能力WebAV、vue时间轴轨道组件vue-timeline-editor
水印去除不是原图还原。水印会遮挡或污染原始像素，任何去除水印的模型都做不到完全恢复原图。
如果水印盖住了人物五官、文字、产品细节等关键内容，建议使用即梦、Stable Diffusion、Flux 等生成式 AI 进行重绘。视频水印也可以尝试 ProPainter，但它对设备性能要求较高，Moonshine-Image 后续不计划集成 ProPainter。
| 功能 | 状态 | 说明 |
|---|---|---|
| 图片导入与批量处理 | ✅ | 支持单图、选中文件、文件夹模式和大批量路径导入 |
| Lama 通用擦除 | ✅ | 需要手动绘制蒙版，适合物体、文字、不规则遮挡区域 |
| MAT 蒙版修复 | ✅ | 与 Lama 同级的图片/视频蒙版修复模型，需要 CUDA，仅限非商业用途 |
| SLBR 半透明水印去除 | ✅ | 不需要手动蒙版，仅适合可见半透明水印 |
| 图片输出策略 | ✅ | 支持 auto、original、png、jpg、webp 和 JPG/WebP 质量控制 |
| 视频处理 | ✅ | 支持上传、预览、蒙版、时间轴、关键帧、处理结果替换和撤销 |
| FFmpeg 兜底导出 | ✅ | WebAV 导出失败时可在 auto 模式下切换 FFmpeg |
| 模型管理 | ✅ | 支持模型状态、校验、下载源和手动安装说明 |
| 后端管理 | ✅ | 支持环境检测、服务启停、终端日志和处理进度 |
| 视频后台恢复与断点续跑 | ✅ | 失败或中断后可复用已完成分段继续处理，不做多任务队列 |
| OCR 自动生成蒙版 | 📝 | 尚未实现 |
| SAM 智能选区 | 🚧 | 已接入 SAM1/SAM2.1 单图点选/框选、SAM2.1 视频传播后端接口，以及 SAM3/SAM3.1 文本提示词智能选区首版 |
v1.1.0 起，Windows x64 发布包按 Torch 运行时和模型策略拆分。发布信息和相对 v1.0.0的主要更新，请查看 GitHub Releases 中的 v1.1.0 Release Notes。
| 包类型 | 适合用户 |
|---|---|
cu130 |
新 NVIDIA 显卡(特别是50系)用户优先选择 |
cu126 |
旧 NVIDIA 显卡或 CUDA 13.0 兼容性不稳定时选择 |
cpu |
没有 NVIDIA 显卡或只想验证功能时选择，处理速度会明显更慢 |
bundled-models |
包内包含 Lama 与 SLBR，下载后最快开始使用，体积更大 |
external-models |
包体积更小，需要在软件内下载模型或手动放置模型 |
发布包命名示例：
Moonshine-Image-v1.1.0-win-x64-cu130-bundled-models.zip
Moonshine-Image-v1.1.0-win-x64-cu126-external-models.zip
Moonshine-Image-v1.1.0-win-x64-cpu-external-models.zip
下载后可用 Release 附带的 SHA256SUMS.txt 校验文件完整性。
链接： 夸克网盘 hugging face
- 下载
bundled-models发布包并解压。 - 打开
Moonshine-Image.exe。 - 导入图片或视频。
- 选择处理模型。
- 点击运行，处理完成后打开输出目录或下载结果。
- 下载
external-models发布包并解压。 - 打开
Moonshine-Image.exe。 - 进入“全局设置 > 模型管理”。
- 下载模型，或按手动安装说明把模型文件放入模型目录。
- 返回图片或视频页面，选择模型并运行。
发布包内关键路径：
- 后端项目：
resources/backend/server - Python 运行时：
resources/runtime/win-x64/env - FFmpeg：
resources/ffmpeg/win-x64 - 模型目录：
resources/models
Lama 需要手动绘制蒙版，适合通用擦除、图像修复、不规则物体遮挡和不透明区域处理。它会根据蒙版周围内容补全图像，但无法真正恢复被遮挡的原始细节。
MAT 与 Lama 同属于需要蒙版的图片/视频修复模型，复用现有图片处理、批量处理和视频逐帧处理流程，不提供专用页面或专用按钮。
MAT 需要 CUDA 才能运行。配置默认模型为 MAT 但当前 CUDA 不可用时，应用会自动切换回 LaMa，并提示：
MAT 需要 CUDA，当前已自动切换为 LaMa。MAT 权重按 CC BY-NC 4.0 处理，仅限非商业用途；使用、分发或镜像下载时必须保留上游来源、署名和许可证说明。推荐安装路径：
models/mat/Places_512_FullData_G.pth。
SLBR 不需要手动蒙版，仅对可见半透明水印有效，适合批量清理半透明文字或图案水印。
SLBR 对不透明水印效果极差，不应作为不透明水印去除方案使用。如果水印是不透明贴片、粗黑字、遮挡关键细节的 logo 或大面积覆盖内容，请优先使用 Lama 手动蒙版或生成式 AI 重绘。
设备性能会影响此模型的处理效果
SAM 当前作为蒙版编辑辅助能力接入，不作为 LaMa/SLBR 这类最终图片处理模型。当前支持 SAM1 和 SAM2.1 单图点选/框选生成候选蒙版，生成结果会添加到当前图片蒙版中，再继续供 LaMa 等模型处理。
SAM3/SAM3.1 文本智能选区已作为 CUDA 高配能力接入首版，默认文本模型为
sam3_1_multiplex。SAM1/SAM2.1 点选/框选不直接支持自然语言文本选区。SAM 模型和 LaMa、SLBR 共用同一个模型管理页，但按版本和能力分组。推荐目录结构如下：
- SAM1：
models/sam/sam_vit_b_01ec64.pth、models/sam/sam_vit_l_0b3195.pth、models/sam/sam_vit_h_4b8939.pth- SAM2.1：
models/sam2/sam2.1_hiera_tiny.pt、models/sam2/sam2.1_hiera_small.pt、models/sam2/sam2.1_hiera_base_plus.pt、models/sam2/sam2.1_hiera_large.pt- SAM3/SAM3.1：
models/sam3/sam3.pt、models/sam3/sam3.1_multiplex.pt根目录下的
models/sam_vit_b_01ec64.pth与models/sam2.1_hiera_large.pt不再作为 SAM 模型安装位置识别。旧文件需要移动到对应子目录后，模型管理页才会显示为已安装。Windows PowerShell 迁移命令：
New-Item -ItemType Directory -Force models\sam, models\sam2 Move-Item -LiteralPath models\sam_vit_b_01ec64.pth -Destination models\sam\sam_vit_b_01ec64.pth Move-Item -LiteralPath models\sam2.1_hiera_large.pt -Destination models\sam2\sam2.1_hiera_large.pt
有较新的 NVIDIA 显卡，优先选择
cu130-bundled-models。旧显卡或 CUDA 13.0 不稳定时选择cu126-bundled-models。没有 NVIDIA 显卡选择cpu-bundled-models或cpu-external-models。
可以使用 CPU 包。CPU 包能完成流程验证和少量图片处理，但速度明显慢于 CUDA 包。
进入“全局设置 > 模型管理”，查看模型状态、下载源和手动安装说明。模型外置包首次启动时模型缺失是正常情况。
打开“后端管理”，检查 Python 运行时、后端项目路径、模型目录和终端日志。路径中包含中文时可能导致 Python 或模型加载异常，建议把软件解压到纯英文路径。
模型外置包首次启动时没有模型也应能启动后端服务，并进入模型管理下载或手动安装模型；模型只在实际处理图片或视频时才要求存在。
v1.1.0 发布包会内置 FFmpeg。若检测失败，请确认
resources/ffmpeg/win-x64中存在ffmpeg.exe与ffprobe.exe，若不存在重新解压发布包检查。
水印覆盖位置的原始像素已经不可见。去除模型只能根据周围内容推断和补全，不能知道原图真实内容。关键细节被遮挡时，生成式 AI 重绘通常比传统去水印模型更合适。
npm installnpm run dev如需完整 Electron 能力：
npm run dev -- -m electronnpm run buildWindows Electron 构建：
npm run build -- -m electronWindows 发布矩阵：
npm run package:win:matrix发布矩阵会生成 cu130、cu126、cpu 与 bundled-models、external-models 的 6 个 Windows x64 包，并在发布目录写入 SHA256SUMS.txt 和 release-matrix.json。cpu 包会把 SAM3/SAM3.1 文本智能选区显示为不可用；external-models 包首次启动时允许进入模型管理下载或手动安装模型；bundled-models 默认只打包 LaMa 和 SLBR，不默认打包 SAM3 权重。
后端源码位于 server/，Python 包名为 moonshine_server。
- 推荐 Python 3.12.x。
- 安装依赖：
pip install -r server/requirements.txt如需 CUDA，请按显卡与 CUDA 版本安装匹配的 PyTorch。
- 准备模型文件。默认模型目录为项目根目录下的
models/：
- Lama：
models/big-lama.pt - MAT：
models/mat/Places_512_FullData_G.pth - SLBR：
models/slbr.pth.tar - SAM1 默认：
models/sam/sam_vit_b_01ec64.pth - SAM2.1 默认：
models/sam2/sam2.1_hiera_large.pt - SAM3.1 默认：
models/sam3/sam3.1_multiplex.pt
- 启动服务：
python server/main.py start --model=lama --device=cuda --port=8080 --model-dir=models常用质量闸门：
npm run lint
npm run build
npm run test:regression:p0
npm run test:regression:p0:assertions
npm run test:regression:p1:image
npm run test:regression:p1:video
npm run test:regression:e2e:smoke
npm run test:regression:e2e:workflow
python -m compileall server如果已经完成构建，可复用构建产物运行 E2E：
$env:MOONSHINE_E2E_SKIP_BUILD='1'; npm run test:regression:e2e:workflow本项目采用 GNU General Public License v3.0 许可证开源。
模型文件来自各自公开来源或项目维护者整理的下载源。请在合法、合规、获得授权的前提下使用本项目处理图片和视频内容。
MAT 按 CC BY-NC 4.0 记录，仅限非商业用途，来源为 MAT 官方仓库。SAM1 与 SAM2.1 按各自上游 Apache-2.0 许可证记录。SAM3/SAM3.1 按 Meta SAM License 记录，本项目提供下载时仍需保留来源、版本、hash 和许可证说明；CPU 发布包不承诺 SAM3 文本智能选区可用。