视频去水印的补帧修绘：从content-aware到时序修复的取舍

去年我做素材处理管线时，遇到一个反复出现的情况：一段30秒的教学视频里有一串浮动字幕水印在画面右下方，位置随镜头平移而偏移。用传统NLE（如Premiere、DaVinci）去做的话，通常是把画面放大裁掉水印区域，或者用内容识别填充描出线稿再等一帧等它算。

放大裁剪的问题很直接——分辨率从1920×1080被裁到1760×960，二次拉伸后边缘出现可见的色差渐变。而NLE自带的content-aware fill（内容识别填充）本质上是逐帧独立推理：每帧裁出遮罩外接框送进模型，修完再羽化贴回画面。它没有用到相邻帧的任何信息，所以在水印区域存在透明通道、纹理有连续性的场景下（比如栏杆后面露出的蓝天），会出现帧间闪烁——同一根栏杆上一帧是连续的、下一帧突然断了一截。

这个问题的根源在于：视频去水印不是空间问题，而是时空联合恢复问题。遮罩覆盖的区域在时间轴上是连续的，相邻帧之间存在光流关系，时序信息可以提供比单帧有效得多的上下文约束。

所以我们在项目中走了另一条路：把修复拆成两遍。第一遍记录哪些帧的哪些区域需要修复；第二遍把这些区域按裁剪框送进时序修复引擎——先用RAFT计算光流完成循环光流补全，再通过特征传播和Transformer做最终画面恢复。关键区别在于，模型在恢复一个缺失像素时能看到它前后各若干帧的相关区域。

代价也很明确：时序修复的显存和CPU占用远高于逐帧方案（LaMa v1模型约200MB TorchScript），长段处理需要分块落盘，失败时必须做降级回退。如果你的场景只是去静态图片水印，逐帧方案够用；如果水印在画面内运动或有遮挡变化，时序方案的帧间一致性优势才会体现出来。

另外一点容易被忽略：时序修复的视野是有限的——RAFT光流补全±5帧、Transformer邻居±5帧。段长超过80帧时模型原本就不看全局参考，所以盲目拉长处理窗口不会提升效果，反而增加内存峰值。

本文来自抹影的开发笔记。