去除马赛克,有办法了 附运行教程 |
您所在的位置:网站首页 › 打马赛克能复原吗 › 去除马赛克,有办法了 附运行教程 |
文章目录
第一步:下载代码第二步:搭建环境第三步:运行模型
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。 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。 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。 运行了一下,算法模拟出来的效果是下面这样的: 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。 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。 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。 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=50002、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 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |