app.py

from typing import List

from pydantic import BaseModel
from server import main
"""
LAMA Cleaner是一款用于图像去噪的工具，它使用了一种称为“局部自适应均值”的算法来去除图像中的噪声。
在使用LAMA Cleaner时，您需要提供一个掩码图像，以指示哪些区域需要去噪，哪些区域不需要去噪。
掩码图像可以是任何格式的图像文件，例如PNG、JPEG或BMP。
您可以使用任何图像编辑软件（例如Photoshop或GIMP）创建掩码图像。在掩码图像中，您需要使用黑色和白色来表示需要去噪和不需要去噪的区域。黑色表示需要去噪的区域，白色表示不需要去噪的区域。

创建掩码图像的步骤如下：

1、打开您要去噪的图像和一个空白图像。
2、在空白图像上使用画笔工具绘制黑色和白色的区域，以指示需要去噪和不需要去噪的区域。
3、将掩码图像保存为PNG、JPEG或BMP格式。
4、在使用LAMA Cleaner时，将掩码图像作为输入参数传递给它。
请注意，掩码图像的质量对去噪效果有很大影响。因此，您需要花费一些时间来创建一个准确的掩码图像，以获得最佳的去噪效果。


输入图像：要去噪的原始图像。
掩码图像：指示哪些区域需要去噪，哪些区域不需要去噪的掩码图像。掩码图像可以是任何格式的图像文件，例如PNG、JPEG或BMP。在掩码图像中，您需要使用黑色和白色来表示需要去噪和不需要去噪的区域。黑色表示需要去噪的区域，白色表示不需要去噪的区域。
块大小：用于计算局部均值的块的大小。块大小越大，去噪效果越好，但计算时间也会增加。
块步长：用于计算局部均值的块的步长。步长越小，去噪效果越好，但计算时间也会增加。
搜索窗口大小：用于搜索最佳匹配块的窗口大小。窗口大小越大，去噪效果越好，但计算时间也会增加。
相似度阈值：用于确定最佳匹配块的相似度阈值。相似度阈值越小，去噪效果越好，但计算时间也会增加。
去噪强度：控制去噪的强度。去噪强度越大，去噪效果越好，但可能会导致图像细节的丢失。
请注意，这些参数的最佳值取决于您的图像和应用场景。您需要根据实际情况进行调整，以获得最佳的去噪效果。
"""
class FakeArgs(BaseModel):
    host: str = "127.0.0.1"
    port: int = 7860
    model: str = 'lama' # 使用的模型
    hf_access_token: str = ""
    sd_disable_nsfw: bool = False # 禁用稳定扩散NSFW检查器。
    sd_cpu_textencoder: bool = True # 始终在CPU上运行稳定扩散TextEncoder模型。
    sd_run_local: bool = False
    sd_enable_xformers: bool = False
    local_files_only: bool = False
    cpu_offload: bool = False
    device: str = "cpu" # CUDA /中央处理器/多处理器
    gui: bool = False
    gui_size: List[int] = [1000, 1000]
    input: str = ''
    disable_model_switch: bool = False
    debug: bool = False
    no_half: bool = False
    disable_nsfw: bool = False
    enable_xformers: bool = False
    model_dir: str = ""
    output_dir: str = "resources" # 自己指定文件上传的位置

if __name__ == "__main__":
    main(FakeArgs())