rPman

Вы используете tcp, значит организовать можно как угодно, 'биты будут сочиться'

Мало того, чтобы утилизировать несколько сетевых устройств, потоки создавать не обязательно, если использовать асинхронные сокеты (в linux это зовется неблокирующие, флаг socket() - SOCK_NONBLOCK), любым удобным для вас инструментом, то простая передача данных не потребует особых ресурсов и спокойно отработает на одном ядре (исключение - 10+гбитный поток, ну может речь уже должна идти о 100+гбит? это на грани возможностей железа и для него нужно использовать специализированные инструменты, предоставляемые сетевой картой, а значит про tcp придется забыть, хотя хз может там все уже удобно сделали)

серый ip бывает разным, когда клиенту выдают ip адрес (буквально по проводу уже он доступен, видно в настройках WAN роутера) - в этом случае dydns с некоторыми оговорками будет хватать (в момент смены ip адреса всех клиентов выкинет с сервера) и когда клиенту выдают адреса локальной сети (например так делают мобильные провайдеры) и никакими способами, кроме как договриться с провайдером, входящие порты не получить.

Если у вас нет никакого ip адреса, то либо покупать его у провайдера либо использовать vpn сервер (не рекомендую этот вариант, он добавит лаги, критичные для майнкрафт серверов), который этот ip адрес будет выдавать. напомню, что уже несколько лет как ipv4 испытывает заметный дифицит, и выдавать его налево и направо бесплатно провайдерам уже не так просто, и даже облачные провайдеры продают его за порядка 100 рублей в месяц +-.

Универсально таких нет

Это значит тебе нужно набрать свой обучающий датасет из изображений, которые будут использоваться в твоей задаче, и вручную их разметить, указав, где правильно удалился фон, затем создать нейросеть классификатор изображений и обучить ее на своем датасете. Инструментов полно но если хочешь (а ты захочешь) использовать gpu для ускорения, то скорее всего это будет nvidia и pytorch (есть не только для питона)

Какую именно выбрать датасет это вопрос исследования, какая подойдет для твоей задачи. Например если ты будешь обучать бинарный классификатор - хорошо/плохо (или при разметке ты будешь оценивать по какой то шкале например от 0 до 10 результат работы) то это одна задача, но ты можешь к примеру подавать на вход сразу все четыре изображения, и сеть должна выдать делить на 4 класса полученный комплекс, соответственно каждому изображению... совет, добавляй ко входу еще и исходное изображение.

Можно предварительно делать вычитание (или деление) исходного и результирующего изображений, так нейросети легче будет понимать что было вычтено и соотносить его с исходным

Можно предварительно обучить сеть на входных и обработанных изображениях, но не с целью получения результата, а с целью найти закономерности (мне нравится вариант когда на вход сети и на выход подается одно и то же изображение или пара, сеть многослойная но размерность средних слоев сделать меньше количества входов, т.е. нейросеть должна будет научиться упаковывать информацию об изображении в меньший объем, это вынудит ее искать закономерности.. затем левую половину полученной сети до сужения размерности можно скопировать в искомую сеть как первые слои (добавить еще несколько) и уже обучать как классификатор под твою задачу, эта предобученная сеть будет лучше решать задачу.