---
title: "影像修補（Image Inpainting）"
slug: image-inpainting
language: zh-TW
source: https://aiterms.tw/terms/image-inpainting
updated_at: 2026-06-23
tags: [電腦視覺, 影像生成, 影像修復, 生成式AI, 深度學習]
ipas_term: false
---

# 影像修補（Image Inpainting）

利用周邊像素信息自動填充或重建影像中的遺失、損壞或標記區域，用於去除物體、修復老照片等。

## 完整說明

影像修補（Image Inpainting）又稱影像修復或內容感知填充，旨在根據已知區域的像素信息，自動推斷並填充影像中的遺失或標記區域（mask 區域）。修補結果應保持紋理連貫性、邊界平滑性與內容合理性。影像修補的應用場景多樣，包括去除不需要的物體、修復老照片或掃描件的損壞、刪除水印、以及為新增內容騰出空間等。

## 常見問題

### 影像修補中 mask 的定義是什麼？

mask（掩碼）是與原影像尺寸相同的二值圖像，其中 0（或黑色）表示需要修補的區域，1（或白色）表示保留的已知區域。某些實現使用反向定義。修補任務就是根據已知區域（mask=1）的像素，推斷修補區域（mask=0）的內容。mask 可以是規則形狀（矩形、圓形），也可以是自由繪製的不規則形狀，自由繪製的 mask 通常需要更高級的演算法才能處理好。

### 為什麼修補大區域時結果常常模糊或不合理？

原因有二：首先，大區域缺乏充分的邊界約束，模型難以推斷應填充的內容，傾向於生成平均值導致模糊；其次，純基於周邊像素的修補忽視了語義信息，可能生成邏輯不一致的內容（如天空中出現建築）。改善方法包括：使用預訓練的高層語義模型、增加感知損失與風格損失的權重、或採用迭代修補（先修補邊界，再逐步擴展）。對於大區域，採用帶文本提示的條件生成（text-guided inpainting）效果更佳。

### 影像修補可以用於視頻嗎？

可以，稱為視頻修補（Video Inpainting）或視頻補全。挑戰是維持時間一致性：不同幀的修補結果應該形成連貫的運動，而非閃爍。方法包括：（1）逐幀修補再用光流進行時間一致性檢驗；（2）直接使用 3D 卷積或循環神經網路（RNN）同時處理多幀，強制時間平滑；（3）流引導修補，利用光流信息傳播修補結果。視頻修補的計算成本遠高於靜態影像，實時應用仍有挑戰。

---

來源：https://aiterms.tw/terms/image-inpainting
快查頁：https://aiterms.tw/terms/image-inpainting
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-image-inpainting