一般脏就无视，非常脏了就送家门口洗鞋店，也要支持一下社区经济的

如果是比较规整的表格也很容易识别，可以用连续边缘检测 (opencv canny edge ）看是否存在非常长的连续线条。 或者更简单的用 X 、Y 轴的像素投影来识别是否存在表格。

当然如果会算法，用算法来区分那是更简单了，只要有人标注就行了

1 、以前也用过 kubeflow 的方案。说实话维护起来还是蛮重的，学习成本也并不低；
2 、kubeflow+jupyterhub 那套用来做数据探索和模型 prototype 还是非常好用的。 正式的训练任务还是写成代码工程进行版本管理的，用 notebook 串联还是觉得不是很严谨；
3 、我们现在实验管理也都是完全放在 mlflow 上了，还是很方便的。训练以后关键的配置文件和模型一起作为 artifacts 放到对象存储上，保证拉取模型的时候与配套的配置一起使用；

4 、推理那块我们用的是 Triton Serving 的推理框架(不过一些 tensorflow 的模型还跑在 TF serving 下)

首先肯定可以，一张照片上擦掉图案都可以补上。问题是有没有必要这么做
主要还是看补出来的数据用来做什么，是否需要用 GAN 的方式来生成，因为 GAN 其实并不那么容易训练。