大家好，我是 Jack。
上两天，「AI修复五四运动现场」热搜大家看到了吗？
热搜1.8亿+阅读，5.1万+讨论。利用 AI 技术，修复五四运动现场。
这个就是3月初，央视的工作人员找我谈的合作项目之一，当时还发了个吹水文。
后来，这个项目另外一个up主做了。显而易见的是，越来越多的企业，在结合 AI 做一些有意义的创新。
所以，想从事算法工程师的工作，那就放心大胆地去学、去准备，不要被知乎这类问题所困扰：
要知道，这类问题从2017年就开始了。
这两年，又流行了新词「内卷」，好家伙，啥都可以内卷了。
不信，可以用知乎去搜下，程序员内卷、算法内卷、后端内卷，啥都可以卷，一搜一大把。
有能力的人，根本不会因为内卷而找不到工作，提高核心竞争力才是关键。
这些所谓的「内卷」，也是我国快速发展带来的结果，各行各业都是如此。
成为卷王之王，我们都有光明的未来。
AI修复
话题有些跑偏，我们回归正题： AI 修复。
这篇算是科普文了，介绍下「AI修复五四运动现场」用到了哪些 AI 技术。
这些老图片，老视频的资料都是黑白的，有的画面还有磨损，并且老视频帧率略低。
针对这几个特点，主要采用三样算法即可：
-
着色算法：将黑白图片转为彩色图片;
-
修复算法：修复磨损画面；
-
帧插算法：提高视频帧率。
着色算法
着色算法，是整个处理流程的核心。
着色算法有很多种，其中比较出名，我经常用的是 DeOldify。
DeOldify 不仅可以对图片着色，其实本身也具有一定的修复画面的能力。
曾经上过热搜的修复百年前老北京的影像，就是用的这个算法。
19世纪80年代的巴黎。
DeOldify 就是一种对抗生成网络的应用。
其原理是使用 NoGAN 技术，结合了 GAN 训练的优点，比如出色的着色效果，同时也消除了一些副作用，比如画面着色不稳定、闪烁的现象。
NoGAN 生成器进行了预先训练，使其利用常规损失函数，变得更强大、更快、更可靠。
项目地址：
https://github.com/jantic/DeOldify
需要配置的上文一样，安装一些库，然后下载模型权重文件。
项目工程页里详细说明了下载哪些文件，需要安装什么。
配置好后，在工程目录编写如下代码：
-
#NOTE: This must be the first call in order to work properly!
-
from deoldify
import device
-
from deoldify.device_id
import DeviceId
-
#choices: CPU, GPU0...GPU7
-
device.set(device=DeviceId.GPU0)
-
-
import torch
-
-
if
not torch.cuda.is_available():
-
print(
'GPU not available.')
-
-
import fastai
-
from deoldify.visualize
import *
-
import warnings
-
warnings.filterwarnings(
"ignore", category=UserWarning, message=
".*?Your .*? set is empty.*?")
-
-
colorizer = get_image_colorizer(artistic=
True)
-
-
colorizer.plot_transformed_image(
"test_images/1.png", render_factor=
10, compare=
True)
test_images/1.png 为要上色的图片，运行程序，就可以实现为黑白照片上色。
模型、代码、素材都已打包，工程下载地址。
网盘下载链接（提取码：jack）：
https://pan.baidu.com/s/17sma_a1ICJMY07KLnDpiww
打开 Jupyter 直接运行 run.ipynb 文件即可，生成的结果保存在 result_images 文件夹中。
除了处理图片，视频着色也不在话下。
修复算法
如果着色算法，例如 DeOldify，着色和修复的效果已经不错了，其实就不必加修复算法了。
但是如果效果不佳，那就可以再单独加个修复算法。
比较出名的是，微软 2020 年最新的一篇 CVPR 文章：「Bringing Old Photo Back to Life」。
作者使用变分自动编码机（VAE）将图像变换到隐空间，并在隐空间进行图像恢复操作。
可以看下修复效果：
关于该算法的原理，我出过教程，可以直接看这个：
项目地址：
https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
项目依赖于「Synchronized-BatchNorm-PyTorch」，按照教程配置即可。
第一步，clone 工程：
git clone https://github.com/microsoft/Bringing-Old-Photos-Back-to-Life
第二步，进入工程目录，clone 依赖项目：
-
cd Face_Enhancement
/models/networks/
-
git clone
https:
//github.com/vacancy/Synchronized-BatchNorm-PyTorch
-
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
-
cd ..
/../../
-
-
cd Global/detection_models
-
git clone
https:
//github.com/vacancy/Synchronized-BatchNorm-PyTorch
-
cp -rf Synchronized-BatchNorm-PyTorch/sync_batchnorm .
-
cd ..
/../
第三步，下载预训练模型。
-
cd Face_Detection/
-
wget http://dlib.net/files/shape_predictor_
68_face_landmarks.dat.bz
2
-
bzip2 -d shape_predictor_
68_face_landmarks.dat.bz
2
-
cd ../
然后分别下载 Global 和 Face_Enhancement 的训练好的模型，并解压，放在对应目录下。
可以下载我打包好的工程，模型、代码、素材，都打包好了。
网盘链接（提取码：jack）：
https://pan.baidu.com/s/1jVjd8dS0j0AnWeFI-7l-eA
使用方法：
没有裂痕的图像修复，就是图片不清晰，可以用如下指令：
-
python run.py
--input_folder [test_image_folder_path] \
-
--output_folder [output_path] \
-
--GPU 0
将你想修复的图片放到 test_image_folder_path 目录下（自己指定），生成的图片会放到 output_path 目录中。
对于裂痕的图片，需要额外增加一个参数，指令如下：
-
python run.py
--input_folder [test_image_folder_path] \
-
--output_folder [output_path] \
-
--GPU 0 \
-
--with_scratch
这里需要注意的是，指定的路径需要使用绝对路径。
帧插算法
帧插算法也很多，例如 DAIN、RIFE、Super SloMo 等，这里简单介绍下 DAIN。
DAIN 可以提高视频的帧率，比如现在，连手机都开始用上120帧的显示屏，但是网上大部分的视频还是24帧。
视频的帧率已经远远赶不上人民群众的需求了，所以有不少人都在研究如何把普通视频变成高帧率视频。
这项技术，显然也可以应用在 AI 修复上，用来提高视频的帧率，带啦更加丝滑的视频浏览体验。
DAIN 可以扩展到常见的任何类型视频：电影、定格动画、 动画卡通等等。
项目地址：
https://github.com/baowenbo/DAIN
使用方法和上面两个算法完全一样：配置环境、下载权重、运行代码。
这里就不赘述，大家可以自行尝试。
总结
AI 修复，效果上仍然有所欠缺，比如有些场景颜色修复的不够自然，但发展空间很大，针对一些特定场景 finetune 一番，绝对能有提升。
总之，AI 可以做很多有意义的事情，尽情发挥吧~
开工了，该收心了。
最后再送大家一本帮助我拿到BAT 等一线大厂 offer 的数据结构刷题笔记，是一位 Google 大神写的，对于算法薄弱或者需要提高的同学都十分受用（提起码：m19c）：
BAT 大佬分类总结的 Leetcode 刷题模版，助你搞定 90% 的面试
更加详细的算法学习路线，包括算法、数学、编程语言、比赛等的学习方法和资料，可以看这篇内容：
我是 Jack，我们下期见。
转载：https://blog.csdn.net/c406495762/article/details/116483213