2024年Python最全Python算法工程师：心中无码便是高清，马赛克“脑补”算法 PULSE

万恶的马赛克，是阻碍人类进步的绊脚石。

马赛克“脑补”算法 PULSE，助你图片模糊变高清。

这是杜克大学近期的一项研究，将模糊人脸秒变高清。

PULSE 算法目前只支持人脸的马赛克“去除”，因为训练数据都是人脸。

也就是说，“脑补”其它物体马赛克下的内容也是可以的，只要你有数据！

我知道，你一定又有了一些大胆的想法！

「 Just do it 」 !

今天，继续手把手教学。

算法原理、环境搭建、效果测试，一条龙服务，尽在下文！

干货主要有：

======

① 200 多本 Python 电子书（和经典的书籍）应该有

② Python标准库资料（最全中文版）

③ 项目源码（四五十个有趣且可靠的练手项目及源码）

④ Python基础入门、爬虫、网络开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

Python学习交流Q群101677771

2

算法原理

PULSE 算法可以在几秒内，将 16x16 像素的低分辨率（Low Resolution，以下简称 LR）小图，放大 64 倍，变成 1024 x 1024 像素的高分辨率（High Resolution，以下简称 HR）图像。

PULSE 算法会「脑补」出 LR 图像一些不存在的特征，补充细节，例如纹理、毛孔、毛发等：

左图为原始 LR 图片，右图为 PULSE 算法生成的 HR 图片。

PULSE 算法的思路是，拿到一张 LR 图片，使用 stylegan 生成 HR 图片，再将 HR 图片 downscale 得到的 LR 图片与原始 LR 图片对比，一直迭代收敛，找到最接近的那张。如下图所示：

原始 LR 图片和 PULSE 修复后再 donwscale 的 LR 图片对，使两者最接近的 HR 图片，就是修复得到的 HR 图片。

该算法在著名的高分辨率人脸数据集 CelebA HQ 上进行了效果评估，用 64×，32× 和 8× 的比例因子，采用不同的算法，进行了对比实验。

实验表明，PULSE 算法的效果最佳，得分几乎与真实的高质量照片一样高。

通过上图，可以清晰地看到，PULSE 算法在人脸不同位置的纹理细节。

不过 PULSE 算法也有一定的局限性，它无法将失焦、不能识别的人脸照片，变成照片真人的清晰图像，它仅会生成不存在但看上去很真实的新面孔。

说白了，PULSE 生成的高清图片，是「脑补」出来的，与真实的人脸照片可能存在差别。

3

环境搭建

PULSE 算法采用 Pytorch 实现，使用了 dlib 人脸库的一些 API。

项目地址：

https://github.com/adamian98/pulse

环境搭建不复杂，工程里的 pulse.yml 文件，已经写明了依赖环境。

name: pulse

channels:

• pytorch

• defaults

dependencies:

• blas=1.0=mkl

• ca-certificates=2020.1.1=0

• certifi=2020.4.5.1=py38_0

• cffi=1.14.0=py38hc512035_1

• chardet=3.0.4=py38_1003

• cryptography=2.9.2=py38ha12b0ac_0

• cycler=0.10.0=py38_0

• freetype=2.9.1=hb4e5f40_0

• idna=2.9=py_1

• intel-openmp=2019.4=233

• jpeg=9b=he5867d9_2

• kiwisolver=1.2.0=py38h04f5b5a_0

• libcxx=10.0.0=1

• libedit=3.1.20181209=hb402a30_0

• libffi=3.3=h0a44026_1

• libgfortran=3.0.1=h93005f0_2

• libpng=1.6.37=ha441bb4_0

• libtiff=4.1.0=hcb84e12_0

• matplotlib=3.1.3=py38_0

• matplotlib-base=3.1.3=py38h9aa3819_0

• mkl=2019.4=233

• mkl-service=2.3.0=py38hfbe908c_0

• mkl_fft=1.0.15=py38h5e564d8_0

• mkl_random=1.1.0=py38h6440ff4_0

• ncurses=6.2=h0a44026_1

• ninja=1.9.0=py38h04f5b5a_0

• numpy=1.18.1=py38h7241aed_0

• numpy-base=1.18.1=py38h6575580_1

• olefile=0.46=py_0

• openssl=1.1.1g=h1de35cc_0

• pandas=1.0.3=py38h6c726b0_0

• pillow=7.1.2=py38h4655f20_0

• pip=20.0.2=py38_3

• pycparser=2.20=py_0

• pyopenssl=19.1.0=py38_0

• pyparsing=2.4.7=py_0

• pysocks=1.7.1=py38_0

• python=3.8.2=hf48f09d_13

• python-dateutil=2.8.1=py_0

• pytorch=1.5.0=py3.8_0

• pytz=2020.1=py_0

• readline=8.0=h1de35cc_0

• requests=2.23.0=py38_0

• scipy=1.4.1=py38h44e99c9_0

• setuptools=46.2.0=py38_0

• six=1.14.0=py38_0

• sqlite=3.31.1=h5c1f38d_1

• tk=8.6.8=ha441bb4_0

• torchvision=0.6.0=py38_cpu

• tornado=6.0.4=py38h1de35cc_1

• urllib3=1.25.8=py38_0

• wheel=0.34.2=py38_0

• xz=5.2.5=h1de35cc_0

• zlib=1.2.11=h1de35cc_3

• zstd=1.3.7=h5bba6e5_0

• pip:

• dlib==19.19.0

prefix: /path/to/your/anaconda3/envs/pulse

直接使用 pulse.yml 文件，用 Anaconda 进行环境配置。

修改 pulse.yml 文件中 prefix 的路径为你的 Anaconda 路径，然后使用指令创建环境：

conda create -f pulse.yml

这是官方推荐的方法。亲测，依然遇到了一些依赖问题。

最后一个一个依赖包安装才解决，所以我建议是使用 Anaconda 通过第三方库的包名安装，不用管版本啥的，例如：

conda install ca-certificates requests

libcxx、libedit 等这类的 lib 库不用安装，Anaconda 在创建 Python 环境的时候已经安装好了。

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！