上一章說到，通過「AI重新生圖」當作背景修復，是個帶有不確定性的方法，容易因為AI模型的隨機性，造成文字去除不完整。所以我花了一些時間調查可行的圖片修復方案，目前暫時選了性能開銷較小、修復能力不錯的OpenCV inpaint Telea算法。

具體的演算法可以參考相關文件，使用方法是輸入原圖、OCR產生的文字遮罩，對覆蓋的範圍取鄰近值作修復。這個方法不需要接AI模型，而且對電腦性能要求也不大，相當方便。實測在不是非常複雜的線條圖案沒有問題，但是顏色交界、圖案邊界偶爾會出現問題，我覺得這些是可以再調參數或是換演算法解決的。

原圖	修復失敗案例

這邊特別挑出失敗的案例展示；通常情況，像前面幾章的範例圖都不會出現錯誤。但偶發情況出現的漸層色、圖案交界會出現修復錯誤，這些就需要在調整。

為了應對這種情況，系統保留了前面的「AI生圖修復」和「OpenCV修復」，預設情況使用OpenCV修復，如果遇到比較複雜的圖片，還可以重新切回AI生圖，解決這個問題。

另外，背景修復也是一個品質預算的tradeoff，有些PPT Skill會重新生成每個元素，再把他們組合成單頁簡報，通過這種方法，可編輯性會好非常多，但每個元件的生圖都是額外的成本開銷。我在開發平台時，希望把每張圖片盡量壓縮到1-2次生成(這樣每頁圖片不會超過$5 TWD)，所以先選擇了傳統的CV圖像修復，後續應該會繼續嘗試優化，希望能找到穩定修復背景的方法。