Jing Leung

找些没有水印的图片，按照水印公式：J = I * (1-alpha) + W * alpha 生成， I为原始图片，alpha为alpha map， W为水印。mask可以自己找纯水印图片生成。

> 假如我的水印没有透明度， 也就是alpha=1， 那么公式就是 J = W * alpha， 效果体现就是w在I上的一片遮挡。这样训练出来的模型，能够去除没有透明度的水印吗？不知道您尝试过没有 取png图像的alpha通道，随机生成alpha值，乘以原始的alpha通道即可

> 请问 CLWD/train/Alpha 目录中的图片是怎样生成的？因为我不知道 Alpha里图片怎么生成的，所以我修改代码，不使用alpha目录里的数据来训练模型，有用吗？ 1) 这个是CLWD数据集作者制作数据集时对mask乘以随机alpha值获得的； 2) 我们的模型不依赖alpha数据

> 3、问题 1. 训练与测试所用的水印最好没有交集，不然你相当于训练时见过测试集的水印了，测试的识别肯定很好；训练所用图片为256x256，测试图片1尺度达到1200x900，分辨率不匹配；最好训练与测试的分辨率大致匹配；训练与测试的数据分布需要一致。 2. 不带透明度的就用该模型识别也可以，去除可以使用inpainting模型；

> 3-1、这一次测试train、test、要去水印的图3者彼此独立，但是效果反而最差，我推测的原因可能有：Mask生成，二值化处理过于粗糙，有些连在了一起。请问哪里需要改进？ 1. train与test水印独立是为了验证你训练的模型的泛化性，如果你仅针对特定几个水印去除，可以训练集与测试集不独立；效果差大概是因为训练图片数目不够，至少一万张以上；其次训练集与测试集的背景图分布也要一致，不能训练集是clwd的从pascal爬来的数据，测试集是其他cg图片。 > 3-2、之前您说过训练数据集图片尺寸最好和去水印的图尺寸差不多，那是不是意味着，我来了一批尺寸和训练模型尺寸差别很大的图片，那么就需要重新训练对应尺寸的模型？如果这样的话，那收集对应尺寸图片集就是一个不小的工作量 可以训练多个模型，针对低分辨率，中分辨率，高分辨率分别处理。模型的训练与测试应保持分布一致，否则需要引入迁移学习的内容。

> 针对您说的：训练集与测试集， 指的就是train目录和test目录吧？ 是的 > 2、针对您说的：“如果你仅针对特定几个水印去除，可以训练集与测试集不独立”，以2000张原图和30个Logo为例， 意思是说30个logo打在2000原图上，然后数量1:1随机分成训练集和测试集？ 是的，数目比例可以是7:3 > 3. 这就是“背景图分布也要一致”吧？ 对的，如果你要测试cg图的水印去除，训练集需要加入cg图作为背景的水印图。

1. 跟之前说的一样，如果你之后的目的只是想去除自定义测试图的水印，那就train可以包含要去除的水印；否则想做通用一点的去除，应该从train训练的水印入手，增加水印的样式，与你的自定义测试图水印类型、风格一致，使得模型更鲁棒； 2. 数据集大的时候有资源就用多个gpu一起训练，没有的话，先用5000张这样的量级验证可行性。

I'm not sure whether it works, and you can try it. I think that accurate mask will be better for watermark removal since accurate mask provides more edge details than...

I recommend you to build two models for gray stamps and color stamps respectively. Gray stamps are more difficult to remove since the background is full of gray and black...

> > > 还想请教下，为什么没有考虑WDNet中彩色的mask,alpha*w等操作呢 > > > > > > > > 1. 彩色mask即 alpha map，走alpha map估测的路线，至少需要估测alpha map，watermark，wateramrk-free image； 由公式 J = I * (1-alpha) + W * alpha 可知，从单一等式同时估测三个未知变量本身是个病态方程，每一个像素对应三个未知量，估测难度较大。...