去除马赛克，有办法了 附运行教程

消除马赛克秒变高清人像，将模糊的照片秒变清晰。

ai技术是越来越强悍了。

但现在的ai技术，真的可以完全消除马赛克，百分百还原照片吗？

其实，消除马赛克的算法 PULSE，在2年前就已经发布了。

通过算法脑补出打码的地方，帮助我们还原照片。

甚至脸上的毛孔、头发都能复原。

发展到现在，消除马赛克的技术已经趋于成熟了，这不前两周，又开源了一个新的算法MAE。

这个更厉害，即使画面遮挡超过90%，ai也会想办法帮我们复原。

我运行试了一下，用的是下面这张图片。

遮挡后，我们能大体看出这是什么，但是眼睛长什么样子还不知道。

运行了一下，算法模拟出来的效果是下面这样的：

而原图是这样的：

基本上是还原了。

我们来看看这些算法的原理吧。

马赛克其实就是一张低像素的图像。

一张清晰的图片，只是眼睛这一个区域，可能就有100个像素，而转换成马赛克，这一区域可能就只有3个像素。

这样图片就会模糊不清，看不清楚原图片是个啥。

那想要复原照片呢，就需要根据这3个像素，脑补出一些的特征，重新补足为100个像素。

这个就是算法做的事情，自动脑补一些不存在的特征，比如皱纹、毛发等。

那这些算法真的能帮我们百分百复原照片吗？

我拿我自己的证件照试了一下。

第一张是原图，最后一张是最后复原的效果。

那个——

虽然也是有鼻子有眼的。

但是跟原照片相比，只能说是毫不相关。

最后生成的照片只是算法脑补出来的，可能只是一张看上去真实的面孔。

但想要通过马赛克去重建还原人像，目前看来，这是不可能的。

但复原一些个体特性不太明显的事物，比如家具、动物等，准确率就比较高了。

比如下面这个小狐狸，MAE算法复原的就很成功。

那怎么运行这些算法呢？

我们以第一个算法PULSE举例。

第一步：下载代码

项目地址：

https://github.com/adamian98/pulse

第二步：搭建环境

在代码文件的根目录下面，有一个pulse.yml文件，环境配置信息都在这里面了。

我们可以直接运行下面代码创建虚拟环境，并根据pulse.yml文件配置环境。

conda env create -n pulse -f pulse.yml

不过我自己安装，报了下面的错误：

Solving environment: failed 
ResolvePackageNotFound:***

这是因为，环境配置文件是在别的电脑上面导出来的，不适合我们电脑的配置，删除包的具体信息就可以解决，即删除包名称第二个等号后面的内容。

比如：

- blas=1.0=mkl
- ca-certificates=2020.1.1=0

改成：

- blas=1.0
- ca-certificates=2020.1.1

还有dlib库的安装也遇到了问题，需要先安装cmake，再安装dlib。

pip install cmake
pip install dlib

如果还是安装不成功，可以先将dlib19.19.0版本下载下来，在本地安装。

我将dlib19.19.0版本文件，上传到了我的百度网盘。

下载地址（提取码：6666）：

https://pan.baidu.com/s/16KHEdZ0KD_pQPRRiGuq5Ew

最后安装本地文件就可以了。

pip install dlib-19.19.0-cp38-cp38-win_amd64.whl.whl

第三步：运行模型

项目给我们提供了预训练模型，需要翻墙下载。
我也已经下载好，上传到了我的百度网盘。

下载地址（提取码：6666）：

https://pan.baidu.com/s/16KHEdZ0KD_pQPRRiGuq5Ew

在代码文件的根目录下面，创建两个文件夹，分别命名为：cache、realpics 。

将上面下载好的，预训练模型（三个文件），放到 cache 文件夹内。

然后将一张人像照片放到 realpics 文件夹内，我们以下图为例：

先运行下面语句，对图片进行降分辨率处理。

python align_face.py

生成的图片会放到 input 文件夹内。

最后运行run.py文件

python run.py

就会在 runs 文件夹下生成脑补图。

都是金发碧眼，但是不怎么像——

如果运行过程中遇到这个错误：

Could not find a face that downscales correctly within epsilon

有两个方法可以解决：
1.增加迭代次数

python run.py -steps=5000

2、增大eps

出现这个问题，是因为L2 损失大于eps，我们通过增大eps的值，就可以避免这个错误

在run.py文件的39行。
原代码：

parser.add_argument('-eps', type=float, default=2e-3, help='Target for downscaling loss (L2)')

修改成：

parser.add_argument('-eps', type=float, default=8e-2, help='Target for downscaling loss (L2)')

这样基本就没有问题了。

我将运行项目期间遇到的问题都写出来了，希望大家跟着可以运行的顺利一些~

如果想要运行新出的这个MAE算法。

项目地址是：

https://github.com/facebookresearch/mae

项目提供了 Colab，要登陆Google账户才能运行，如果可以登录的话，可以直接在线体验算法效果：

https://colab.research.google.com/github/facebookresearch/mae/blob/main/demo/mae_visualize.ipynb