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。
