AI去除马赛克，可还行？

科技周边不知道大家是否熟悉？今天我将给大家介绍《AI去除马赛克，可还行？》，这篇文章主要会讲到等等知识点，如果你在看完本篇文章后，有更好的建议或者发现哪里有问题，希望大家都能积极评论指出，谢谢！希望我们能一起加油进步！

哈喽，大家好。

你有没有想过用 AI 技术去除马赛克？

仔细想想这个问题还挺难的，因为我们之前使用的 AI 技术，不管是人脸识别还是OCR识别，起码人工能识别出来。但如果给你一张打上马赛克的图片，你能把它复原吗？

显然是很难的。如果人都无法复原，又怎能教会计算机去复原呢？

还记得前几天我写的一篇《用AI生成头像​》文章吗。在那篇文章中，我们训练了一个DCGAN模型，它可以从任意随机数生成一个图像。

随机数作为像素生成的噪声图

模型从随机数生成正常头像

DCGAN​包含生成器模型和判别器模型​两个模型组成，生成器模型​的作用是从一组随机数生成一个图片，图片与训练样本越接近越好，从而骗过判别器模型​，而判别器模型​则要不断提高鉴别能力，防止生成器模型生成的图片蒙混过关。

如果我们把上述生成器模型的输入由随机数改成带有马赛克的图片，输出则是不带马赛克的图片。是不是就可以训练出一个去除马赛克的模型了。

接下来，跟大家分享下如何训练去除马赛克模型，然后再分享一个现成的工具，大家可以下载下来直接用，试试效果。

1. Pix2pix + CycleGAN

这里我们不用上面介绍的DCGAN​，而是用Pix2pix和CycleGAN两个更强大的模型，分别来训练。

Pix2pix​是基于GAN​的图像翻译算法，从马赛克图片到正常图片，本质上跟一种语言到另一种语言的转换类似，都是翻译的过程。

Pix2pix模型翻译

而CycleGAN的实现的效果，简单来说就是将不同域之间的图像进行转换，而本身的形状保持不变。

CycleGAN模型

文章为我们提供了数据集和完整的训练过程，能够帮助我们以较低的成本训练模型。

首先，下载数据集

数据集

共 654M。

然后，下载Paddle预训练模型

预训练模型​

最后，分别训练Pix2pix和CycleGAN模型。

Pix2pix 模型

python gan<span style="color: rgb(215, 58, 73); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">/</span>infer<span style="color: rgb(0, 92, 197); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">.py</span> <br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--init_model output/pix2pix/checkpoints/110/ </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--dataset_dir /home/aistudio/ </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--image_size 256 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--n_samples 1 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--crop_size 256 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--model_net Pix2pix </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--net_G unet_256 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--test_list /home/aistudio/test_list.txt </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--output ./infer_result/pix2pix/</span>

CycleGAN 模型

python gan<span style="color: rgb(215, 58, 73); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">/</span>infer<span style="color: rgb(0, 92, 197); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">.py</span> <br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--init_model output/cyclegan/checkpoints/48/ </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--dataset_dir /home/aistudio/ </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--image_size 256 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--n_samples 1 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--crop_size 256 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--input_style A </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--test_list /home/aistudio/test_list.txt </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--model_net CycleGAN </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--net_G resnet_9block </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--g_base_dims 32 </span><br><span style="color: rgb(106, 115, 125); margin: 0px; padding: 0px; background: none 0% 0% / auto repeat scroll padding-box border-box rgba(0, 0, 0, 0);">--output ./infer_result/cyclegan/</span>

训练完后，大家可以运行gan/infer.py文件，对比这两种模型去除马赛克的效果。

2. 现成工具

如果你不想自己训练模型，这里给大家分享现成的项目，它也是基于语义分割以及图像翻译，参考了Pix2pix和CycleGAN。

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

对于Windows用户，作者提供了包含GUI界面的免安装软件包。

UI界面

前面我们说过，这种技术还是比较难的，所以大家不要有太高预期。这里发下实际的去除效果。

打码

去码

效果还是可以的，只不过没有想象中那么完美，大家可以下载运行试试。

以上就是《AI去除马赛克，可还行？》的详细内容，更多关于AI,图片,DCGAN的资料请关注golang学习网公众号！