34 秒 vs 122 秒Jasna 视频马赛克修复为什么值得等一小时首编【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna第一次任务的进度条卡在模型编译最长一小时像死机。编完一条 3:22 的 1080p 视频34 秒跑完马赛克修复。Jasna 是本地 GPU 视频马赛克修复工具只把每帧被马赛克遮挡的小区域送进模型其余画面原样复制一帧不动。一、它是什么不是什么它是个只修被遮部分的本地工具。思路先逐帧自动检测马赛克默认模型rfdetr-v6按 576 分辨率推理得分阈值 0.354K 可换rfdetr-v6-large768 分辨率、阈值 0.40配置写在 detection_registry.py。再把同一马赛克的帧跨时间编成 clip只把 256×256 的小区域送进修复模型结果回填原帧其余像素复制。只修指定片段时无马赛克帧直接复制、不重编码见 segments 文档。全程是一条七步 GPU 流水线解码、检测、追踪、修复、可选二次增强、混合、编码不落地 CPU音频直接拷贝细节见 README。边界同样明确它不做整片超分、不去噪非马赛克区域保留原始画质VR180 有专用检测模型但 LTX 不支持 VR180 和流式播放GTX 10 系及更老显卡不跑。二、怎么跑起来4 步看到第一个结果下载与系统、GPU 匹配的官方 release 包源码方式git clone https://gitcode.com/GitHub_Trending/ja/jasna注意源码只能跑免费 BasicVSR支持者模型要官方发布包。解压到纯英文路径Windows 用 NTFSLinux 用 ext4/Btrfs/XFS/ZFS全部本地盘SSD 优先。Windows 双击jasna.exeLinux NVIDIA 直接跑jasna文件AMD Linux 先装一次 AMF。添加视频、选设置、按 ▶。首跑代价不藏NVIDIA 第一个任务要 15–60 分钟检测与修复模型在为你的卡编译 TensorRT engine期间关掉其他程序。结果存在model_weights之后每个任务直接复用升级版本把这个文件夹拷过去就能跳过等待。注意 0.12 的 LTX 模型连 NVIDIA 也要重新下载。LTX 是可选项8GB 显存、16GB 内存起步模型下载约 15GBStandard或 9GBFast。有试用模式不要许可证只测你的卡跑它要多久不出修复结果。三、数字怎么说基准、显存与翻车记录速度同长度 1080p H.264 输入Lada 0.11.0 跑 02:02Jasna v0.9.1 跑 00:343.6 倍720p 01:47→00:323.4 倍2160p 04:56→01:034.7 倍。机器是 RTX 5090完整参数在 发布矩阵 和 README。诚实说明显存是 Lada 的主场同为 1080p 输入Lada 典型/峰值 2.0/3.3GBJasna v0.9.1 是 4.8/5.6GB2160p 为 2.6/4.1 对 7.2/10.9。README 原话是 Lada 占显存更少。只有 4GB 显存的卡建议两边都测。翻车也写在仓库CUDA Graphs 带来 2%–10% 提速FP8 上采样子引擎把 720p 中位显存从 9050MB 压到 7890MB但正式发布的 FP8 构建反而 1.8GB作者直接撤掉全程见报告。benchmarks/ 里 20 多份报告逐行绑定 commit驱动 595.84显存每 0.5 秒采样中位数/峰值连没生效的噪声行都保留。显存不够怎么调降--max-clip-size。同一条 1080p 视频、RTX 5090 实测clip 30 占 3.4GBclip 90 占 4.1GBclip 360 占 6.3GB4–6GB 的卡从 30 起步4K 要多花约 1.5 倍显存。每张卡的起步值在调优文档。四、谁在外面用它教程、拆解与用户数据按内容形态分三层。整合包与部署教程工作量集中在首编慢怎么解决。pyproject.toml 锁死torch2.12.1cu130、tensorrt10.16.1.11、torch-tensorrt2.12.0Triton wheel 还分平台写教程本质是给这份依赖清单做导读。性能拆解对着 benchmarks/ 的报告逐行复现最近盯的是 CUDA Graph 提速与上面那个 FP8 回退事件。教程敢断言快几倍因为每个数字都能在仓库里对上。用户实操Discord 里晒修复前后对比、交流--max-clip-size怎么配GUI 有建议更好 mask按钮你画的遮罩经 AES-256-GCM 加密不含文件名、时间戳上传反哺检测模型训练见 mask_feedback.py。三层互相喂养教程依赖可复现的基准拆解依赖翻车记录用户数据流回项目。这是长线热度不是脉冲。五、用还是等三档决策依据✅ 现在适合NVIDIA GTX 16 系/RTX 20 系及以上、库里马赛克视频多、愿意付一次首编等待。免费 BasicVSR 够用LTX 在 $25 档含 UNet 4x、SD 1.5$15 档没有 LTX一码 3 台设备。LTX 速度可核对模型文档 里 RTX 5090 Standard 约一分钟视频花 1 分钟RTX 2080 Ti 约 10 分钟。⏳ 建议观望AMD RX 7000/9000 用户实验级支持Windows AMD 的 LTX 还是 beta显存未达门槛又想上 LTX 的用户内存、模型下载只是起步成本。❌ 不适合要开箱即用的人路径必须纯英文、首编要先付等待网络盘或非英文路径用户显存紧张、只找替代方案的人——Lada 免费且显存占用更低值得两边都测。今天就拿最短的一条马赛克测试视频用免费 BasicVSR 跑一遍把首编等待当门票付掉再看效果决定要不要上 LTX。【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/30 2:14:44 · 阅读 1.2k 34 秒 vs 122 秒：Jasna 视频马赛克修复为什么值得等一小时首编？
34 秒 vs 122 秒Jasna 视频马赛克修复为什么值得等一小时首编【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna第一次任务的进度条卡在模型编译最长一小时像死机。编完一条 3:22 的 1080p 视频34 秒跑完马赛克修复。Jasna 是本地 GPU 视频马赛克修复工具只把每帧被马赛克遮挡的小区域送进模型其余画面原样复制一帧不动。一、它是什么不是什么它是个只修被遮部分的本地工具。思路先逐帧自动检测马赛克默认模型rfdetr-v6按 576 分辨率推理得分阈值 0.354K 可换rfdetr-v6-large768 分辨率、阈值 0.40配置写在 detection_registry.py。再把同一马赛克的帧跨时间编成 clip只把 256×256 的小区域送进修复模型结果回填原帧其余像素复制。只修指定片段时无马赛克帧直接复制、不重编码见 segments 文档。全程是一条七步 GPU 流水线解码、检测、追踪、修复、可选二次增强、混合、编码不落地 CPU音频直接拷贝细节见 README。边界同样明确它不做整片超分、不去噪非马赛克区域保留原始画质VR180 有专用检测模型但 LTX 不支持 VR180 和流式播放GTX 10 系及更老显卡不跑。二、怎么跑起来4 步看到第一个结果下载与系统、GPU 匹配的官方 release 包源码方式git clone https://gitcode.com/GitHub_Trending/ja/jasna注意源码只能跑免费 BasicVSR支持者模型要官方发布包。解压到纯英文路径Windows 用 NTFSLinux 用 ext4/Btrfs/XFS/ZFS全部本地盘SSD 优先。Windows 双击jasna.exeLinux NVIDIA 直接跑jasna文件AMD Linux 先装一次 AMF。添加视频、选设置、按 ▶。首跑代价不藏NVIDIA 第一个任务要 15–60 分钟检测与修复模型在为你的卡编译 TensorRT engine期间关掉其他程序。结果存在model_weights之后每个任务直接复用升级版本把这个文件夹拷过去就能跳过等待。注意 0.12 的 LTX 模型连 NVIDIA 也要重新下载。LTX 是可选项8GB 显存、16GB 内存起步模型下载约 15GBStandard或 9GBFast。有试用模式不要许可证只测你的卡跑它要多久不出修复结果。三、数字怎么说基准、显存与翻车记录速度同长度 1080p H.264 输入Lada 0.11.0 跑 02:02Jasna v0.9.1 跑 00:343.6 倍720p 01:47→00:323.4 倍2160p 04:56→01:034.7 倍。机器是 RTX 5090完整参数在 发布矩阵 和 README。诚实说明显存是 Lada 的主场同为 1080p 输入Lada 典型/峰值 2.0/3.3GBJasna v0.9.1 是 4.8/5.6GB2160p 为 2.6/4.1 对 7.2/10.9。README 原话是 Lada 占显存更少。只有 4GB 显存的卡建议两边都测。翻车也写在仓库CUDA Graphs 带来 2%–10% 提速FP8 上采样子引擎把 720p 中位显存从 9050MB 压到 7890MB但正式发布的 FP8 构建反而 1.8GB作者直接撤掉全程见报告。benchmarks/ 里 20 多份报告逐行绑定 commit驱动 595.84显存每 0.5 秒采样中位数/峰值连没生效的噪声行都保留。显存不够怎么调降--max-clip-size。同一条 1080p 视频、RTX 5090 实测clip 30 占 3.4GBclip 90 占 4.1GBclip 360 占 6.3GB4–6GB 的卡从 30 起步4K 要多花约 1.5 倍显存。每张卡的起步值在调优文档。四、谁在外面用它教程、拆解与用户数据按内容形态分三层。整合包与部署教程工作量集中在首编慢怎么解决。pyproject.toml 锁死torch2.12.1cu130、tensorrt10.16.1.11、torch-tensorrt2.12.0Triton wheel 还分平台写教程本质是给这份依赖清单做导读。性能拆解对着 benchmarks/ 的报告逐行复现最近盯的是 CUDA Graph 提速与上面那个 FP8 回退事件。教程敢断言快几倍因为每个数字都能在仓库里对上。用户实操Discord 里晒修复前后对比、交流--max-clip-size怎么配GUI 有建议更好 mask按钮你画的遮罩经 AES-256-GCM 加密不含文件名、时间戳上传反哺检测模型训练见 mask_feedback.py。三层互相喂养教程依赖可复现的基准拆解依赖翻车记录用户数据流回项目。这是长线热度不是脉冲。五、用还是等三档决策依据✅ 现在适合NVIDIA GTX 16 系/RTX 20 系及以上、库里马赛克视频多、愿意付一次首编等待。免费 BasicVSR 够用LTX 在 $25 档含 UNet 4x、SD 1.5$15 档没有 LTX一码 3 台设备。LTX 速度可核对模型文档 里 RTX 5090 Standard 约一分钟视频花 1 分钟RTX 2080 Ti 约 10 分钟。⏳ 建议观望AMD RX 7000/9000 用户实验级支持Windows AMD 的 LTX 还是 beta显存未达门槛又想上 LTX 的用户内存、模型下载只是起步成本。❌ 不适合要开箱即用的人路径必须纯英文、首编要先付等待网络盘或非英文路径用户显存紧张、只找替代方案的人——Lada 免费且显存占用更低值得两边都测。今天就拿最短的一条马赛克测试视频用免费 BasicVSR 跑一遍把首编等待当门票付掉再看效果决定要不要上 LTX。【免费下载链接】jasnaVideo restoration tool项目地址: https://gitcode.com/GitHub_Trending/ja/jasna创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考