image-to-ppt

name	image-to-ppt
description	将一张或多张图片转换为严格质量校验、分层可编辑的 PowerPoint。用于把截图、设计稿或幻灯片图片重建为原比例与 16:9 PPTX，包含 clean background、无文字且相互独立的透明视觉组件和可编辑文本框。

Image to PPT

把输入图片重建为分层 PPTX。保持严格语义拆分；质量校验失败时停止，不要将整页 flatten 为单张图片。

环境

• 使用 Python 3.10–3.12；上限来自 simple-lama-inpainting 0.1.2 的 NumPy/Pillow 依赖约束。
• 安装 torch>=2.5.1、torchvision>=0.20.1、Transformers 和 SAM 2.1。运行 pip install -r references/requirements.txt。
• 安装 simple-lama-inpainting==0.1.2。LAMA_MODEL 可指向本地 TorchScript 模型；未设置时，wrapper 首次运行可把模型下载到本地 cache。
• 安装 PaddleOCR 或 Tesseract 作为 OCR 引擎。
• 优先使用 Linux/WSL；SAM 官方建议 Windows 用户使用 WSL。
• 自动使用可用的 CUDA；CPU 也受支持，但推理较慢。

首次运行时把 Grounding DINO tiny、SAM 2.1 large 和默认 LaMa 模型下载到用户本地 cache。源码和权重不存放在此 skill 中。大/深遮罩需要 LaMa；依赖缺失或初始化失败时明确失败，不降级到容易产生条带拖影的 OpenCV 修复。

命令行

从 skill 根目录执行 module，不要直接运行 scripts/image_to_ppt.py：

cd skills/image-to-ppt
python -m scripts.image_to_ppt input.png
python -m scripts.image_to_ppt input.png --slide-size original
python -m scripts.image_to_ppt input.png --slide-size 16:9
python -m scripts.image_to_ppt input.png --slide-size both
python -m scripts.image_to_ppt img1.png img2.png -o slides.pptx --slide-size both
python -m scripts.image_to_ppt input.png --lang en --reference

CLI 默认 --slide-size both。单图输出 <stem>_original.pptx 和 <stem>_16x9.pptx；批量输出 <base>_16x9.pptx，并在 <base>_original/ 中为每张输入生成原比例单页 PPTX。--period、--diff-threshold 和 --min-area 仅为兼容保留，strict SAM 管线会忽略它们。

Python API

从 skill 根目录导入：

from scripts.image_to_ppt import (
    convert,
    convert_batch,
    convert_batch_variants,
    convert_variants,
)

convert("input.png", output_path="output.pptx")
convert_variants("input.png")
convert_batch(["img1.png", "img2.png"], output_path="slides.pptx")
convert_batch_variants(["img1.png", "img2.png"], output_path="slides.pptx")

旧 convert() 保持兼容：默认返回单个 16:9 PPTX 路径字符串；CLI 默认输出两种尺寸。

严格管线

1. 使用现有 OCR 逻辑检测文字并生成文字遮罩。
2. 使用 Grounding DINO 生成整图与重叠分块语义候选，再用 SAM 2.1 生成对象掩膜，并以无提示 SAM 候选覆盖词表外对象。
3. 对候选去重，解析父子关系，为每个像素建立唯一 ownership；结合语义支撑和定向 SAM 复查修补组件内部破洞。
4. 导出不含文字的独立透明组件；小/窄遮罩用 OpenCV 修复背景，大/深遮罩用 LaMa。
5. 按实际导出的 RGBA 图层重建页面，执行严格视觉质量 QA。
6. 组装原比例或 16:9 画布；16:9 使用 contain 居中和四角/边缘颜色渐变，不使用模糊放大的原图副本。

输出与失败

每页从底到顶包含 clean background、可独立移动的透明组件和可编辑文本框。

命令会在处理每张图片前打印绝对 work directory。严格视觉质量失败时，异常包含 mae、p95 和 diagnostics 绝对路径；检查其中的 source.png、ownership.png、reconstructed.png 和 report.json。更早的分割、OCR 或 LaMa 失败仍可通过已打印的 work directory 定位资产。不要在失败后回退为整页图片。