Lada

*Lada* 是一款专为修复马赛克成人视频（JAV）而设计的工具。它有助于恢复此类内容的视觉质量，从而提升观看体验。 ## 功能 - **修复马赛克视频**：还原成人视频中被打码或添加马赛克的场景。 - **观看/导出视频**：使用 CLI 或 GUI 观看或导出修复后的视频。 ## 用法 ### 图形用户界面 打开文件后，您可以实时观看修复后的视频，也可以将其导出为新文件以便稍后观看： 更多设置可以在左侧边栏中找到。 ### 命令行界面 您也可以使用命令行界面（CLI）来修复视频： ``` lada-cli --input ``` 有关更多选项的信息，请使用 `--help` 参数。 ## 性能预期与硬件要求 修复质量可能因场景而异。有些场景可能看起来非常逼真，而另一些场景可能会出现明显的瑕疵，有时甚至比原来的马赛克还要糟糕。 为了流畅运行该应用程序，您需要一张 GPU 以及一些耐心。对于大多数情况，显存至少为 4-6GB 的显卡应该就能很好地工作。 该应用程序还需要相当多的 RAM 用于缓冲，这可以提高性能。对于 1080p 内容，6-8GB 的 RAM 应该就足够了，但 4K 视频将需要大得多的内存。 要实时观看修复后的视频，您需要一台性能强大的机器。否则，播放器在计算下一组修复帧时可能会暂停并进行缓冲。在观看视频时不会进行编码，但会使用额外的 RAM 用于缓冲。 如果您的 GPU 不够快，无法进行实时播放，您可以导出视频并稍后在您喜欢的媒体播放器中观看（GUI 和 CLI 均支持此功能）。 尽管该应用程序可以在 CPU 上运行，但性能会极其缓慢，这对大多数用户来说是不切实际的。 ## 安装 ### 使用 Flatpak 在 Linux 上安装该应用程序（CLI 和 GUI）最简单的方法是通过 Flathub： ### 使用 Docker 该应用程序也通过 Docker 提供（仅限 CLI）。您可以使用以下命令从 [Docker Hub](https://hub.docker.com/r/ladaapp/lada) 获取 `ladaapp/lada` 镜像： ``` docker pull ladaapp/lada:latest ``` ### 在 Windows 上使用 对于 Windows 用户，该应用程序（CLI 和 GUI）被打包为独立的 .7z 压缩文件。 您需要 [7-zip](https://7-zip.org/) 来解压文件。建议在下载后验证文件。请参阅下面的提示。 从 [Releases 页面](https://codeberg.org/ladaapp/lada/releases) 获取最新版本。 解压压缩包后，您将找到 `lada.exe` 和 `lada-cli.exe`。 ### 其他安装方法 请注意，这些说明主要旨在帮助开发者配置环境以便开始处理源代码。但希望即使您不是开发者，也能 按照说明进行操作。 官方情况下，Lada 仅支持 Nvidia 和 Intel Arc GPU，但有报告称兼容 AMD ROCm 的显卡和 Apple 设备也能正常工作。 您可以查看 issue 追踪器，以了解有关支持其他系统的当前状态。 ## 贡献 您可以在 [GitHub](https://github.com/ladaapp/lada) 和 [Codeberg](https://codeberg.org/ladaapp/lada) 上找到 Lada 项目。 该项目的大本营位于 Codeberg。GitHub 仅被设置为镜像，因此其代码将与 Codeberg 上的主分支保持同步。 如果您想帮助翻译该应用程序，可以在 [Codeberg Translate](https://translate.codeberg.org/projects/lada/lada/) 贡献现有翻译或设置新语言。 [](https://translate.codeberg.org/engage/lada/) ## 发布版本 ## 构建 如果您想开始参与这个项目，您需要从源代码安装该应用程序。请查看针对 [Linux](docs/linux_install.md)、[macOS](docs/macOS_install.md) 和 [Windows](docs/windows_install.md) 的详细安装指南。 ## 训练与数据集创建 有关训练您自己的模型和数据集的说明，请参阅[训练与数据集创建](docs/training_and_dataset_creation.md)。 ## 许可证 源代码和模型均在 AGPL-3.0 许可证下授权。有关完整详细信息，请参阅 [LICENSE.md](LICENSE.md) 文件。 ## 致谢 该项目建立在这些出色的个人和项目所做的工作之上： * [DeepMosaics](https://github.com/HypoX64/DeepMosaics)：提供了用于创建马赛克数据集的代码。同时也启发了我启动这个项目。 * [BasicVSR++](https://ckkelvinchan.github.io/projects/BasicVSR++) / [MMagic](https://github.com/open-mmlab/mmagic)：用作去除马赛克的基础模型。 * [YOLO/Ultralytics](https://github.com/ultralytics/ultralytics)：用于训练马赛克和 NSFW 检测模型。 * [DOVER](https://github.com/VQAssessment/DOVER)：用于在数据集创建过程中评估所创建片段的视频质量，以过滤掉低质量的片段。 * [DNN Watermark / PITA Dataset](https://github.com/tgenlis83/dnn-watermark)：使用了其大部分代码来创建水印检测数据集，用于过滤掉被文本/水印/标志遮挡的场景。 * [NudeNet](https://github.com/notAI-tech/NudeNet/)：用作额外的 NSFW 分类器，以过滤掉我们自己的 NSFW 分割模型产生的误报。 * [Twitter Emoji](https://github.com/twitter/twemoji)：提供茄子表情符号作为应用程序图标的基础。 * [Real-ESRGAN](https://github.com/xinntao/Real-ESRGAN)：在马赛克检测模型的退化 pipeline 中使用了他们的图像退化模型设计。 * [BPJDet](https://github.com/hnuzhy/BPJDet)：用于检测人体和头部的模型。用于创建 SFW 马赛克，以便训练马赛克检测模型从而跳过此类内容。 * [CenterFace](https://github.com/Star-Clouds/CenterFace)：用于检测人脸的模型。用于创建 SFW 马赛克，以便训练马赛克检测模型从而跳过此类内容。 * PyTorch、FFmpeg、GStreamer、GTK 以及[所有其他构建我们生态系统的人](https://xkcd.com/2347/)

标签：AI模型, 凭据扫描, 图像修复, 桌面应用, 视频处理, 请求拦截, 逆向工具