视频去水印最难的地方，往往不是把文字擦掉，而是让观众看不出这里曾经被修复过。
在开源视频编辑器 Timeline Studio 中，我们使用 MI-GAN 和 WebGPU 实现了浏览器本地修复。素材无需上传，模型在用户设备上运行。第一版已经能够去除水印，但处理人物颈部、衣领、阴影等复杂位置时，仍然容易出现矩形色块、轮廓变形，以及相邻帧修复结果不一致的问题。
本文介绍的视频修复方案已集成到开源项目 Timeline Studio 中。欢迎在线体验，也可以前往 GitHub 查看实现、提交问题或参与改进。如果这个项目对你有帮助，欢迎点一个 Star，关注后续更新。
- GitHub 仓库：MartinDelophy/ai-video-editor
- 在线体验：Timeline Studio
经过多轮实际视频测试，我们逐渐发现：提高效果不能只依赖更大的模型，还需要重新考虑三个问题——哪些像素真的需要修复、其他帧能提供什么信息，以及修复结果应该如何融合回原视频。
从一个矩形色块说起
测试素材中，有一行白色文字横跨人物的颈部和衣领。
用户用矩形框选中几个字后，模型确实去掉了文字，却同时改变了框内原本正确的皮肤、阴影和衣服边缘。最终看起来像贴上了一块颜色接近、形状却不太自然的补丁。
原因在于：用户框选的是操作范围，算法却把整个范围都当成了缺失区域。
一个矩形中可能只有一小部分像素属于文字。字与字之间、笔画之间，仍然保留着真实背景。如果把这些像素一起遮掉，就等于主动丢弃了可以直接使用的信息，再要求模型重新猜测。
这也是此次优化中最重要的转变：选框用于表达用户意图，实际修复遮罩应尽量接近真正需要移除的内容。
让模型少猜一点：从整框修复到笔画级遮罩
对于能够明确识别的白色文字，我们增加了一条更精细的处理路径。
系统先在选区内寻找接近白色的高亮像素，再通过连通区域的尺寸、形状、排列关系和基线一致性，判断它们是否构成文字。这里没有引入完整 OCR，也不需要知道文字具体写了什么，重点是识别需要修复的笔画区域。
汉字尤其需要注意分离笔画。一个字可能由多个不相连的部分组成，如果只保留较大的连通区域，就会留下偏旁、短横或者顶部笔画。因此，确认文字排列后，还需要把相关的小片段一起纳入遮罩。
遮罩也不能紧贴最亮的像素。视频中的文字边缘通常包含抗锯齿和压缩产生的过渡像素。我们对笔画做适度扩张，再给外侧加入柔和过渡，减少白边和残留轮廓。
识别不可靠时，系统仍然采用原有的区域修复路径。这条优化主要面向明确的白色文字，并不意味着任意颜色、任意透明度的水印都能被准确分割。
在这段测试素材的一个选框中，笔画级处理让约 52% 的选区像素保持原样。它的意义不是某个漂亮的百分比，而是模型不再需要重画这些原本正确的皮肤和衣领细节。
局部融合：修好边界，也要控制修改范围
遮罩变精细后，另一个问题随之出现：即使文字已经消失，填补区域的亮度仍可能与周围背景不一致。
一般区域修复中，我们使用有界的局部泊松校正，并在最后执行边缘过渡。实际排查还发现了一个实现问题：此前泊松校正成功后，会跳过最终的边缘融合。
但“求解成功”并不等于“边界颜色完全一致”。当校正幅度受到限制时，残余色差仍可能形成清晰的矩形接缝。因此，最终边缘衔接需要独立保证。
对于细小的文字笔画，我们采用更局部的调和插值，用笔画周围的真实像素作为边界约束。这可以理解为泊松问题的一种特殊形式：在待填补区域内求解拉普拉斯方程，让内部颜色平滑连接到已知边界。
两条路径的侧重点不同：较大的区域需要模型提供内容，细小笔画则可以更多依赖近在周围的真实细节。
融合不是越强越好。把整个选框都做平滑，虽然可能隐藏边界，也可能破坏已经修得不错的内部纹理。此次优化始终强调控制修改范围，而不是用大面积模糊掩盖问题。
视频中的信息，不只来自当前帧
单帧修复依赖空间上下文，而视频还提供了时间上下文。
人物或镜头移动后，当前被水印遮挡的背景，可能在前一帧或者后一帧中变得可见。对于离线视频处理，未来帧与过去帧一样，都可以成为参考。
但直接复制邻帧像素会产生错位。人物转头、衣服变形、镜头切换，都可能让“看起来相似”的区域不再对应同一处内容。
当前实现优先检查前后各两张邻近原始帧。当可用信息不足时，再有限地搜索前后约三秒内的候选帧。候选内容需要通过光流、前后向一致性、局部颜色、遮挡和场景连续性等检查。
更远的参考还需要多个独立匹配结果相互支持，避免把一次偶然匹配直接当成可靠背景。
这套方法属于保守的跨帧辅助，并不是完整的深度视频修复网络。光流也不能凭空知道水印下面是什么：它主要帮助判断可见区域如何运动，再为有限范围内的内容借用提供依据。证据不足时，仍然保留模型修复结果。
对于已经可靠分离出的细小白色笔画，当前帧保留下来的真实背景通常更加直接，因此无需对每个笔画都进行昂贵的远帧搜索。
时间一致性，还包括文字自己的变化
视频文字可能逐渐淡出。如果每一帧都独立使用固定亮度阈值，遮罩就可能随着亮度下降而不断缩小，最后留下半个字或闪烁的残影。
我们在确认文字后，保留其笔画形状，并结合后续帧判断文字是否仍然存在。淡出过程中保持稳定的修复范围；文字消失后，则停止填补，避免继续改动已经恢复干净的原始画面。
这里追求的不是让遮罩永远不变，而是避免检测结果的小幅波动直接变成可见的画面闪烁。
模型之外，解码与合成同样影响效果
视频修复不是“逐帧调用模型”这么简单。
如果解码、预览与合成采用不同的时间映射，即使每一张修复图都正确，也可能在输出视频中出现错帧、停顿或前后对比不同步。
我们按原视频的真实呈现时间戳处理选中帧，兼顾变帧率视频和裁切片段。修复结果以局部补丁参与合成，未选区域继续使用源视频画面。
浏览器支持时优先使用原生编码路径，另保留 FFmpeg 回退。这里的“保留源画面”指合成内容的来源，并不代表最终编码后每个像素或压缩数据都与原文件完全相同。
此外，切回原片时必须清除旧修复预览。否则，界面虽然显示选择了原片，下一轮处理却可能继续沿用旧结果，让已经产生的瑕疵反复进入后续流程。
如何判断优化真正有效
这次验证没有停留在代码检查或单帧截图。
我们用同一段 1080p 视频，完整执行了选区修复、视频合成、应用到时间线和连续播放，并重点检查早期帧、文字淡出帧以及修复区间之后的画面。
在选定的 0–1.82 秒范围内，共处理了 55 帧。同时验证了框外像素保护、文字残留、取消操作、恢复原片后的预览清理，以及变帧率素材的处理流程。
最终，这段素材中原先明显的矩形色块得到改善。笔画覆盖的位置仍有轻微软化，但周围的皮肤、阴影和衣领不再被整块重画。
这不代表视频去水印已经成为一个普遍解决的问题。大面积遮挡、复杂透明水印、快速运动、细密纹理，以及始终没有在任何帧中出现的背景，仍然具有挑战。
此次实践最有价值的经验是：修复质量不仅取决于模型生成了什么，也取决于系统保住了多少本来就正确的信息。
