我们好，我是Echa.

这几天有两位老铁们朋友圈给我回帖，说最近找了两部小影片都修音了，有没有黑信息技术把码拿掉，Murviel看着多难受。小贴士也疑惑，是啥影片要加进黑信息技术来化解，其实如果懂点技术，没有化解不了的，如果踏实去做，给点时间，fei die 都能所造。不无赖b了，回归旧作。

今天小贴士给老铁们撷取11个Github上有意思的黑信息技术开放源码工程项目，但凡都非常华丽。小贴士有时也会用用，方便有意思，还能帮化解不少的事情，所以决定逐一撷取给我们，希望我们讨厌。

创作难于，讨厌的老铁们管吻关注，点个赞，后面会持续更新蔬果，hasbro珍藏，非常感谢！

概要概要

PULSE

Github（7k）：https://github.com/adamian98/pulse

PULSE – 该开放源码工程项目能透过给相片减少直方图来同时实现去镶嵌画或数码化

镶嵌画：现代文明进步的拦路虎，宅男的宿敌，老司机的恶梦。从镶嵌画问世起，人类和镶嵌画的斗争就未曾停止。

对于开发人员来说，如果男生问我们最多的难题是：如何装控制系统？那么男生问的最多的难题肯定是：咋除去镶嵌画。

如果有人问你能不能除去镶嵌画？你能给他肯定的答复：不能，镶嵌画是不可逆的。

但是，但是！你能脑补啊，那玩意看多了，被修音的地方啥样，自己心里没数么？但对于两个正常人来说，我这里说的是正常人啊，即使你阅片无数，给你两个严重修音的美女照片，你也很难脑补出这个美女长啥样，原因有两个：

1. 你没有看过足够多的美女相片

2. 你没有建立 美女镶嵌画 到 美女原图 的联系

有的小伙伴就说了，我不吃不喝，就只看美女相片和对应的镶嵌画图。当我看了足够多，给我两个修音的美女相片，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Murviel，便是高清” ？

如图：

Depix

Github（23.1k）：https://github.com/beurtschipper/Depix

Depix – 给打了镶嵌画的文字去码

如图：

TecoGAN

Github（5.1k）：https://github.com/thunil/TecoGAN

TecoGAN 给音频去马赛克或者进行超解析度

如图：

Real-Time-Voice-Cloning

Github（38.3k）：https://github.com/CorentinJ/Real-Time-Voice-Cloning

Real-Time-Voice-Cloning – 只须要你 5 五分钟的音频，就能生成你说出来的任何人话，细思极恐。

下面是比较详细的使用教程，遇到难题能查看帮助：

https://www.bilibili.com/video/av79481223?zw

https://blog.csdn.net/weixin_41010198/article/details/113186232

我用这个数学模型试了一下，因为这个数学模型是老外开放源码的，所以训练的数据是英语的音频，我试了一下说中文，简直就是不会说中文的老外讲中文两个味道，现在我怀疑世界的真实性了

如图：

SkinDeep

Github（38.3k）：https://github.com/vijishmadhavan/SkinDeep

SkinDeep – 黑信息技术全屏除去相片、音频中的刺青

没想到 GitHub 上真有这个开放源码工程项目，一位来自印度的算法研究员 Vijish Madhavan 开放源码了两个机器学习工具 SkinDeep ，它能自动除去明星身上的刺青。

我使用这一工具去处理了一些重度刺青的人物照片，效果还不错。下图是阿伦 · 艾弗森（美国篮球运动员）的纹身除去前后对比图。

如图：

StyleCLIP

Github（3.2k）：https://github.com/orpatashnik/StyleCLIP

StyleCLIP – AI自动 P图，见没见过扫帚头的特斯拉？

刚刚这个工程项目展现了 AI 的强大，效果堪比 PS，接下来这个自动 P 图的工程项目才是真的牛逼。

你有没有想过这样两个场景，当你对着一张原图说：帮我 P 两个帅气的刘海，啪！两个具有帅气刘海的图片便自动生成了。

如图：

polyglot-png

Github（3.2k）：https://github.com/DavidBuchanan314/tweetable-polyglot-png

polyglot-png – 没错浏览的是一张相片，只需修改扩展名，相片就变成了一首，一但凡标识符

国外黑客David Buchanan利用Twitter的漏洞，能用相片伪装的方式传输一份“加密”文件，前提是不超过3MB。

他成功把这种藏匿文件的GitHub源标识符压缩到相片中。

现在你如果去他的Twitter，把这张相片浏览下来，并将文件扩展名从.png修改为.zip，即可解压为Github标识符。

用相片隐藏压缩包的原理并不复杂，png相片文件的格式如下。在Zlib之后，有一片IDAT块的附加数据。藏匿数据就放在这里。

带压缩包的相片地址：

https://i.imgur.com/kNhGrN3.png

David Buchanan的Twitter：

https://twitter.com/David3141593/status/1371974874856587268

如图：

ResnetGPT

Github（2.2k）：https://github.com/FengQuanLi/ResnetGPT

ResnetGPT – 教你训练两个数学模型，让人工智慧玩王者荣耀.

这个开放源码工程项目的同时实现原理是怎样的 ？下图是这个数学模型的核心标识符，不算难，我一步步的拆解，我尽量用通俗的语言描述这些技术。

让电脑帮我们玩游戏能分为如下几步，当然这种方式是比较容易同时实现的方式，并不会加进「强化学习」的东西，而屠杀围棋圈的 AlphaGo 算法是基于强化学习。

2. 根据当前游戏界面状态生成操作指令，是应该前进、攻击还是释放技能。

3. 根据生成的操作指令去控制手机，英雄做出相应的动作。

画面投屏到电脑桌面上。

有了游戏画面，就得到了这时战局的状况。游戏画面是相片的形式，至于这个相片包含什么内容，人能看明白，但是电脑不懂。

这就须要我们自己去提取相片中的特征，这里便会加进深度学习算法的东西。基于卷积神经网络（CNN）来提取相片的特征，工程项目中使用的是 ResNet 101 分类网络。

透过训练这个卷积神经网络，该网络就会具备提取游戏画面特征的能量，有了这些，算法才能进行下一步操作指令的生成。

如图：

intelligent-uavpath-planning

Gitee：https://gitee.com/wwy2018/intelligent-uavpath-planning-simulation-system-S

intelligent-uavpath-planning – 这个工程项目是两个智能化舰载方向规划模拟控制系统

这个工程项目是两个智能化舰载方向规划模拟控制系统，具有操作控制精细、平台整合性强、全方向数学模型建立与应用自动化等优点。

它以 A、B 两国在 C 区开展舰载战争为背景，该控制系统的核心功能是透过模拟平台规划舰载航线，并进行验证输出。数据可导入真实舰载，使其按照规定路线精准抵达战场任一位置，支持多人多设备编队联合行动。

如图：

EssayKiller_V2

Github(4.9k)：https://github.com/EssayKillerBrain/EssayKiller_V2

EssayKiller_V2 – 两个人利用三个月，开发了两个会解题的人工智慧

一般来说，高考作文能透过批量化、模式化的训练达到两个令人满意的分数。实际上就是把学生当做两个写作机器进行训练，为学生输入大量范文，提供写作模式，然后进行长时间的学习。等等，这不是和人工智慧的训练过程相同吗？

那么，如果给两个人工智慧控制系统同样的数据，是否能教会它解题呢？

答案是，当然能。B 站 UP 主 – 图灵的猫，秉承了心动不如行动的理念，两个人利用三个月，500 个小时，10000 行标识符，200000000 条数据，1700000000 个参数，开发了两个会解题的人工智慧 – EssayKiller。

如图：

style2paints

Github：https://github.com/lllyasviel/style2paints

style2paints – 不须要安装任何人环境、做任何人配置，浏览然后holds，就可以给画法素描裁剪。

这个 AI 工程项目是二次元的福音，虽然他是基于 AI 驱动，但这个工程项目不须要你安装任何人环境、做任何人配置。直接浏览，然后holds，就能给两个画法素描裁剪了。

如图：