有一种去除马赛克的方法，有运行教程

消除马赛克秒变高清人像，让模糊照片秒变清晰。

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。

算法大脑填写代码，帮助我们恢复照片。

连脸上的毛孔和头发都可以恢复。

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。

我使用下图运行并尝试了它。

遮挡之后，我们可以大致看到它是什么，但是我们不知道眼睛是什么样子的。

运行一段时间后，算法模拟的效果如下：

原图是这样的：

基本恢复。

让我们看看这些算法是如何工作的。

马赛克实际上是低像素图像。

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。

这会使图片变得模糊，不清楚原始图片是什么。

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。

这就是算法所做的，自动填充一些不存在的特征，例如皱纹、头发等。

这些算法真的能帮助我们100%恢复照片吗？

我用自己的身份证照片试了一下。

第一张是原图，最后一张是最后的还原效果。

那 –

即使是鼻子和眼睛。

但和原图比起来，只能说与它无关。

生成的照片只是一个算法大脑填充，它可能只是一张看起来真实的脸。

但是通过马赛克来重建和还原肖像是不可能的。

但是还原一些个体特征不太明显的东西，比如家具、动物等，准确率更高。

比如下面这个小狐狸，MAE算法复原的就很成功。

那么如何运行这些算法呢？

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 2 步：设置环境

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

但是我自己安装了，报如下错误：

Solving environment: failed 
ResolvePackageNotFound:***

这是因为环境配置文件是在另一台电脑上导出的，不适合我们电脑的配置。可以通过删除包的具体信息来解决，即删除包名第二个等号后面的内容。

例如：

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

将其更改为：

- 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 3 步：运行模型

该项目为我们提供了一个预训练好的模型，需要翻墙下载。
我也下载了，上传到我的百度网盘。

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：

首先运行以下语句来降低图像的分辨率。

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。

他们都是金发碧眼的，但不太像——

如果您在运行时遇到此错误：

Could not find a face that downscales correctly within epsilon

有两种方法可以解决它：
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。
原始代码：

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

变成：

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

这基本上没有问题。

项目运行过程中遇到的所有问题我都写了下来，希望大家能顺顺利利的运行~

如果想要运行新出的这个MAE算法。

项目地址为：

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

wx搜索【喵宁一】第一时间阅读文章~