jasna：1080p 视频马赛克修复 34 秒完成，显存峰值不到 6 GB

jasna：1080p 视频马赛克修复 34 秒完成，显存峰值不到 6 GB

【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna

一段 3 分 22 秒的 1080p 视频，把画面里每一处马赛克（被打码的图像区域）恢复成正常内容需要多久？同项目的旧版本 v0.4.1 要 1 分 46 秒、显存近 20 GB，主流开源工具 Lada 也要 2 分钟以上。jasna 是一个在本地 GPU 上运行的视频马赛克修复工具，负责检测、修复并把每处马赛克结果回填，画面其余部分完全不动。在 RTX 5090 上，v0.9.1 处理这段 1080p H.264 视频耗时 34 秒——处理一段视频比看一遍它还短，不用再"挂着跑一晚"。换成 4K 输入是 1 分 03 秒，约为 Lada 0.11.0 的 4.7 倍速，意味着 4K 素材的批量修复从小时级进入分钟级。更关键的是显存：1080p 典型占用 4.8 GB、峰值 5.6 GB——8 GB 显存的消费级显卡（RTX 3060、4060 等）可以完整跑通全流程，这是旧版本做不到的。

把问题拆成一条主线：不整帧修，只修该修的地方

视频修复慢、显存高，根子在于"逐帧整图处理"：一帧 4K 画面里马赛克可能只占一小块，整帧修复却要为全部像素付出算力。jasna 围绕一条主线组织全流程——先定位马赛克，在它周围切一小块裁剪图，送修复模型，再把结果回填进原帧。解码检测、一级修复、二级修复、混合编码四个环节各开一个线程，用有界队列串成生产者-消费者链，队列上限就是片段长度 max_clip_size；队列满时上游自然阻塞，吞吐由水位动态平衡，而不是卡死在最慢的单点上（见 jasna/pipeline_threads.py）。第二个关键决策：输入文件被硬件解码两次，一次喂检测，一次让编码线程取干净原帧做混合，代价是重复解码，而 NVDEC 硬件解码路径 4K 纯解码可达 681 fps，解码从来不是瓶颈（后端可用JASNA_DECODE_BACKEND在 vali / pyav-hw / pyav-sw 间切换，见 jasna/media/video_decoder.py）。

同一段时间窗被两个片段各修一遍：交接处如何看不出缝

修复不是逐帧独立做的。跟踪器给每个马赛克分配 track_id，聚成 clip（同一个马赛克的一组连续帧）；clip 超过 max_clip_size 就带重叠拆开，镜头切换处也会强制断开，两个镜头绝不混进同一段。麻烦在边界：同一马赛克横跨相邻两个 clip 时，两份结果会在交界处互相"打架"。jasna 的做法是重叠区被两个 clip 各修一遍，再按线性权重融合——权重公式(j + 0.5) / (2 * bf)出自 jasna/pipeline_overlap.py，bf 约为重叠长度的一半，交叉淡化复用的都是已修好的帧，所以不产生额外计算量。

回填也不是贴一块矩形。混合阶段把检测时输出的逐像素 mask 上采样回原图分辨率当权重，核心就是一行就地插值：

original_crop.lerp_(resized_back, blend_mask.unsqueeze(0)).round_().clamp_(0, 255) # mask 内取修复结果，边缘向原像素平滑过渡

mask 内侧 100% 采用修复像素，外侧保留原像素，边界处 lerp（线性插值）平滑过渡；落在重叠区时权重再乘交叉淡化系数，改走"修复减原图再叠加"的差分路径，两个 clip 的贡献线性相加。每帧要等它关联的所有 track 结果到齐才放行混合（见 jasna/blend_buffer.py），不存在"修到一半就编码"的竞态。

显存账：从 9 GB 到 4.8 GB，省在哪，花了什么

v0.9.0 到 v0.9.1，1080p 典型显存从 9.3 GB 掉到 4.8 GB，主要来自一个结构修正：TensorRT（NVIDIA 的推理加速工具包）引擎会为最大 batch 预留 scratch 内存，preprocess/upsample 两个子引擎原先按 180 帧的 clip 长度构建，常驻 4560 MiB；改用固定 batch（preprocess 60 帧、upsample 30 帧）后驻留降到 916 MiB，upsample 引擎文件从 452 MB 缩到 78 MB，端到端耗时 33.6 秒变 33.8 秒，等于没有损失——省显存是靠改引擎构建方式，不是砍功能。

真正的代价有两处。一是首次任务要等 15–60 分钟：NVIDIA 上检测和修复模型会为你的具体 GPU 编译成引擎，结果缓存在model_weights目录并可拷进新版本，这就是"首次慢、之后快"的来源；如果关掉编译，1080p 从 33 秒变 107 秒，只省不到 0.5 GB，不划算。二是片段长度：1080p 下 30 帧的 clip 要 51 秒、90 帧 34 秒、720 帧 33 秒但显存到 8.0 GB——片段更小反而更慢，因为重叠帧在每个片段里都要重算一次，8 GB 显卡应选 60–90 帧而不是最小值。

哪些显卡和场景适合，哪些要慎重

推荐使用场景：GTX 16 系 / RTX 20 系及更新的 NVIDIA 显卡（计算能力 7.5 及以上）处理 1080p 及以下视频；4K 建议 12 GB 及以上显存，因为 2160p 峰值约 10.9 GB，8 GB 卡装不下。VR180 全景视频有专用检测模型和逆投影混合路径，属于原生支持。需要慎重：AMD 显卡走 ROCm/AMF 实验性路径，无 TensorRT 编译，速度明显落后；追求极限细节时免费的 BasicVSR++（快速视频修复模型）有质量上限，扩散模型 LTX 慢得多、需要额外授权码，首次还要下载 9–15 GB 模型文件；GTX 10 系及更早显卡则完全不支持。

一句话定位：jasna 是本地 GPU 上"只修该修"的工程化实现，用定位局部化和环节重叠，把消费级显卡的 1080p 修复压进半分钟、显存压进 8 GB 以内。

【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna