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/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/
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。