马赛克：人类文明进步的绊脚石，宅男的死敌，老司机的噩梦。从马赛克诞生起，人类和马赛克的斗争就从未停止。
马赛克将图片某区域的细节劣化，造成色块打乱的效果。哪怕是国民动画《喜洋洋与灰太狼》这样纯洁的动画，加上马赛克，也会让人浮想联翩，面红耳赤 ![]()
对于程序员来说，如果女生问我们最多的问题是：如何装系统？那么男生问的最多的问题肯定是：咋去除马赛克 ![]()
。如果有人问你能不能去除马赛克？你可以给他肯定的答复：不能，马赛克是不可逆的。
但是，但是！你可以脑补啊
![]()
，那玩意看多了，被打码的地方啥样，自己心里没数么？但对于一个正常人来说，我这里说的是正常人啊，即使你阅片无数，给你一个严重打码的美女照片，你也很难脑补出这个美女长啥样，原因有两个：
2. 你没有建立 美女马赛克 到 美女原图 的联系
有的小伙伴就说了，我不吃不喝，就只看美女图片和对应的马赛克图。当我看了足够多，给我一个打码的美女图片，我脑海里会不会立马涌现这个美女长啥样 ？
妙啊，乍一听还真有点东西。难道这就是 “心中无码，便是高清” ？
但是，人的脑容量就那么大，不吃不喝能看多少美女图片啊？但是计算机就不一样了，计算机可以不吃不喝的工作，只要性能足够顶，容量足够大，它可每日每夜的"看片"。
如果计算机把 马赛克 -> 原图 这个规律记录下来，给它一个打码的图片，它是不是就能复原了？
想象很美好，现实很残酷。计算机也没办法做到 100% 还原到打马赛克之前的状态，也只能“脑补”。只不过计算机能看大量的图片，脑补出来的效果更好。
现在有没有这样的软件或者算法，能够根据马赛克图片脑补出"原图"呢？答案是有的，而且还开源了，开源地址会在文末给出。2014 年，生成对抗网络（GAN）技术的提出，让这种设想成为了可能，搞算法的小伙伴对这个技术肯定不陌生。
前段时间闹的沸沸扬扬的“一键脱衣”、Deepfake、ZAO 等软件都是基于这个技术。一键脱衣：就是给算法输入一张穿衣服的美女图片，它能 "脑补" 出没有穿衣的图片，计算机看过的图片越多，脑补的效果越好，是不是很羡慕？ ![]()
这里简单说一下这个技术的原理吧，我 简单举个例子，保证你能理解。大概感受一下什么是 GAN：
老逛有两个朋友，一个朋友是造假红酒的，另一个朋友是鉴别假酒的品鉴师。刚开始呢，造假红酒的哥们还是一个小白，他不太会造假酒。于是将自己造的假酒和真酒一起给品鉴师。品鉴师对每瓶酒进行品鉴，去判断哪瓶酒是真的，哪瓶酒是假的。
然后品鉴师会向这个造假红酒的哥们给出反馈，比如说：“不行啊，你这酒一喝就知道是假的啊！”造假红酒的那哥们回到自己的作坊，根据品鉴师的反馈，开始制作一些新的假酒。
随着时间的推移，二人一来一往的交流，造假者的造假能力迅速提升，越来越擅长造假酒，品鉴师也变得越来越擅长品出假酒。终于有一天，品鉴师说：“这次我品不出来了，我也不知道是真是假。” 这样，造假者终于造出了足以以假乱真的红酒。
那去马赛克，一键脱衣，又是怎么淦（GAN）出来的？
以给大雄去码为例，很简单嘛，将打码的图片输入到一个生成器里面，这个生成器具有去除马赛克的能力（刚开始能力很弱），生成器可以生成去码后的图片，并将它交给大雄鉴别师，大雄鉴别师会判断这个是没打码的大雄还是去除马赛克的大雄。这样一来二去，生成器去除马赛克的能力就非常强了。
其实 GAN 的思想是一种二人零和博弈思想（two-player game），博弈双方总的利益是一致的，即都是提升自己的能力。
是不是以为今天推的是水文，看到这儿是不是逼格瞬间拔高？
![]()
半年前，美国杜克大学研发出一种 AI 算法，叫做：PULSE（Photo Upsampling via Latent Space Exploration）。这个算法就是基于 GAN，该算法可以通过给图片增加像素点来实现去码或高清化。
下面这个动图就是算法的效果，复原结果真的很真实。每个头发丝、每个毛孔都非常逼真，甚至嘴上的光泽都能生成。
PULSE 算法效果
这里解释一下，生成后的高清图不是打码之前的原图啊，我前面也说了，马赛克是不可逆的。生成的高清图只是 AI 算法 “脑补” 的。
比如你看下面这张图，第一行是原图，第二行是打码的图片，第三行算法脑补的图片，脑补图和原图还是不一样的。
如果算法生成的图片和原图一模一样，那估计这些科学家都得崩溃。就像你敲了几百行代码，一运行 0 error，惊呼：卧槽！这他妈的不科学啊。
这个算法已经开源，现在已经 4.6 K 的 Star 了。大家可以去 GitHub 上搜索 PULSE，搞下来自己运行下，看看效果。
除了这个开源项目，还有一个项目最近非常火。这个项目刚刚发布，没一个星期就接近 1W 的 Star 了。
效果图是下图这样，第一行是打码的英文，看看这码打得，估计 TM 的连亲妈都认不出来，第二行是复原效果，第三行是原图。
即使有些细节没复原除了，但是猜测是哪个单词足够了。
对了，有的小伙伴可能会问了，除了给图片去码，视频可不可以呢？
答案是：可以 ![]()
，还是基于 GAN 的技术： TecoGAN。TecoGAN 非常强大，可以给视频去马赛克或者进行超分辨率。TecoGAN 目前 GitHub 标星 3.1K，地址如下：
https://github.com/thunil/TecoGAN
去马赛克的效果图可以去这个 GitHub 仓库中去看，因为用的是蜘蛛、蜥蜴、蛇的视频，我怕有的小伙伴顶不住我就不放这了。
而且最刺激的是，你不用从头把 TecoGAN 项目跑起来，就可以在你的电脑上应用这一强大技术：已经有软件集成了 TecoGAN 的技术：JavPlayer，这糟糕的名字 ...
「JavPlayer」就是利用了「TecoGAN」 + 「Video Super Resolution」项目制作出来的工具。去马赛克主要就是靠「TecoGAN」技术。
Javplayer 软件具有强大的超分辨率算法，可以容易去除视频、图片文件中的马赛克图层，为您还原最真实的画面，对比各类同类马赛克去除软件，它可以将部分作品还原度高达 90%。
老逛迫不及待地测试了一下这款软件，发现默认的软件包是没有集成 TecoGAN 技术的，想要实现 TecoGAN 技术，需要插件。所谓插件，其实就是用 PyInstaller 打包好的 TecoGAN 的 Tensorflow 模型 ( 已经训练完成的模型：也就是见过足够多的视频 )
安装了这款软件，再加上这个插件，你就有了 2 位职业去码师。Normal 模式是初级去码师，TecoGAN 模式是资深去码师。
注：使用「TecoGAN」插件需要兼容 AVX 的 CPU，SandyBridge 或更高版本，i3或更高版本。另外要求64 位 Windows 系统。
以最近特别火的赛博朋克 2077 的宣传片为例，我截取了其中的一小段来进行去码实验：
首先，原片长这样（GIF比较大，可能加载比较慢）：
中心打码效果图
去码效果：实时预览
这是选择设置为 Normal 时，输出的去码效果：
可以发现，利用 TecoGAN 进行去码效果稍微好了那么一丢丢。特定的边缘会更加锐利，但效果并不像 TecoGAN 的官方 GitHub 的示例那么好，老逛推测，应该是 TecoGAN 模型的训练数据和我们输入的测试视频差异较大所致。
实际上 TecoGAN 插件，还可以实现若干其它功能，我们看下它不同的模式：
因本篇内容所限，老逛就不一一测试展示了，感兴趣的各位可以自己尝试。我把本文提到的开源项目的下载地址放在了后台，转发本文章或者点个在看，关注微信公众号 「逛逛GitHub」后台回复「1214」获取下载链接。
![]()
参考链接
[1] https://blog.csdn.net/u014626748/article/details/88415675
[2] https://github.com/thunil/TecoGAN
[3] https://github.com/adamian98/pulse
![]()
△扫码关注我△
。
，还是基于 GAN 的技术：
