哈嘍，大家好。

你有沒有想過用 AI 技術(shù)去除馬賽克？

仔細(xì)想想這個問題還挺難的，因為我們之前使用的 AI 技術(shù)，不管是人臉識別還是OCR識別，起碼人工能識別出來。但如果給你一張打上馬賽克的圖片，你能把它復(fù)原嗎？

顯然是很難的。如果人都無法復(fù)原，又怎能教會計算機(jī)去復(fù)原呢？

還記得前幾天我寫的一篇《用AI生成頭像?》文章嗎。在那篇文章中，我們訓(xùn)練了一個DCGAN模型，它可以從任意隨機(jī)數(shù)生成一個圖像。

隨機(jī)數(shù)作為像素生成的噪聲圖

模型從隨機(jī)數(shù)生成正常頭像

DCGAN?包含生成器模型和判別器模型?兩個模型組成，生成器模型?的作用是從一組隨機(jī)數(shù)生成一個圖片，圖片與訓(xùn)練樣本越接近越好，從而騙過判別器模型?，而判別器模型?則要不斷提高鑒別能力，防止生成器模型生成的圖片蒙混過關(guān)。

如果我們把上述生成器模型的輸入由隨機(jī)數(shù)改成帶有馬賽克的圖片，輸出則是不帶馬賽克的圖片。是不是就可以訓(xùn)練出一個去除馬賽克的模型了。

接下來，跟大家分享下如何訓(xùn)練去除馬賽克模型，然后再分享一個現(xiàn)成的工具，大家可以下載下來直接用，試試效果。

1. Pix2pix + CycleGAN

這里我們不用上面介紹的DCGAN?，而是用Pix2pix和CycleGAN兩個更強(qiáng)大的模型，分別來訓(xùn)練。

Pix2pix?是基于GAN?的圖像翻譯算法，從馬賽克圖片到正常圖片，本質(zhì)上跟一種語言到另一種語言的轉(zhuǎn)換類似，都是翻譯的過程。

Pix2pix模型翻譯

而CycleGAN的實現(xiàn)的效果，簡單來說就是將不同域之間的圖像進(jìn)行轉(zhuǎn)換，而本身的形狀保持不變。

CycleGAN模型

文章為我們提供了數(shù)據(jù)集和完整的訓(xùn)練過程，能夠幫助我們以較低的成本訓(xùn)練模型。

首先，下載數(shù)據(jù)集

數(shù)據(jù)集

共 654M。

然后，下載Paddle預(yù)訓(xùn)練模型

預(yù)訓(xùn)練模型?

最后，分別訓(xùn)練Pix2pix和CycleGAN模型。

Pix2pix 模型

python gan/infer.py \
  --init_model output/pix2pix/checkpoints/110/ \
  --dataset_dir /home/aistudio/ \
  --image_size 256 \
  --n_samples 1 \
  --crop_size 256 \
  --model_net Pix2pix \
  --net_G unet_256 \
  --test_list /home/aistudio/test_list.txt \
  --output ./infer_result/pix2pix/

CycleGAN 模型

python gan/infer.py 
  --init_model output/cyclegan/checkpoints/48/ \
  --dataset_dir /home/aistudio/ \
  --image_size 256 \
  --n_samples 1 \
  --crop_size 256 \
  --input_style A \
  --test_list /home/aistudio/test_list.txt \
  --model_net CycleGAN \
  --net_G resnet_9block \
  --g_base_dims 32 \
  --output ./infer_result/cyclegan/

訓(xùn)練完后，大家可以運(yùn)行g(shù)an/infer.py文件，對比這兩種模型去除馬賽克的效果。

2. 現(xiàn)成工具

如果你不想自己訓(xùn)練模型，這里給大家分享現(xiàn)成的項目，它也是基于語義分割以及圖像翻譯，參考了Pix2pix和CycleGAN。

項目地址：https://github.com/HypoX64/DeepMosaics/blob/master/README_CN.md

對于Windows用戶，作者提供了包含GUI界面的免安裝軟件包。

UI界面

前面我們說過，這種技術(shù)還是比較難的，所以大家不要有太高預(yù)期。這里發(fā)下實際的去除效果。

打碼

去碼

效果還是可以的，只不過沒有想象中那么完美，大家可以下載運(yùn)行試試。