已完成对 tg8x_dml.exe的源码逆向复现

asa

前言
以下内容 是个人对于一次逆向经历的总结和记录，不是为了教学而发贴的，所以会有一些部分难度较大前后跳步大的内容。

反编译解包exe 获得代码
首先 使用反编译工具 对 TecoGAN8X Ver2.01的 tg8x_dml.py 进行exe解包。

然后得到待反编译的 pyc文件 可以使用pycdc 进行从字节码到py文件的反编译。

修复获得的反编译代码
需要注意的是有部分内容无法做到完全反编译，
这样就需要手动调试代码 进行处理。不过幸运的是，作者的模型定义部分大多是都是抄的 github 上 TecoGAN的代码 (skycrapers/TecoGAN-PyTorch: )，
但不能全抄代码，因为后面发现一个坑就在面前了。




这个错误是python 的一个深度学习框架 pytorch 抛出来的，使用pytorch进行 深度学习 需要提前定义网络 并import它 然后加载pt文件 这是预训练好模型的权重
在这基础上可以继续训练 或者进行推理

如果自己写的网络定义文件和pt文件权重中的网络结构不匹配 就会报错。
这里少了两层 后面一查 发现这个模型本来是被用来做4x放大的 所以原始的代码只有4x 没有8x。原版if 分支只有处理4的 没有8的 所以缺的两层就是在这里。
有人问 缺的这两层 到底怎么补啊， 实际上 这样在后面加一层就可以了。





把这个模型网络的代码复现之后，就需要把推理的代码补齐，推理就是利用训练好的模型 输入低分辨率的图得到高分辨率的输出。但是，不巧反编译器又出问题了，部分输出的推理结果的代码没有生成出来。所以只能这样手撸一个输出的代码出来，发现tg8x_dml 纯PIL输出生成png 的步骤是很慢的，另外进度显示可以使用tqdm做到 循环外面套一层就可以把进度条给显示出来了，没必要完全复刻了。 (让你的代码动起来ython进度条神器tqdm详解及应用实例 - 落阳呀 - 博客园)

然后文件夹得到预期的推理结果 由于模型只有一轮 所以感觉画面像被磨了皮一样 高频信息丢失较多

游客，如果您要查看本帖隐藏内容请回复

最后

如果有人对这个网络架构 足够感兴趣 推荐读一下这篇论文
Learning temporal coherence via self-supervision for GAN-based video generation

Zsural

非常感谢大佬分享

某月的某夜

虽说看不懂，我也没3.0的版本，但是有大佬开始研究这个东西必须支持！

heng155

看看具体是什么，很好奇

dzeko0001

感谢分享

asa

刚刚给程序的推理做了计时 2.0时代的 tg8x 保存图片都比cuda ai 推理 慢。说明png的保存io是个拖累 推理时间 1.9秒 保存时间2.6秒

power00

thanks

kjavp

看着太高深了

stepw

学习一下

52012

谢谢分享