作者 雷鋒網 | 發布日期 2020 年 12 月 13 日 0:00
美國時間 12 月 10 日晚上，GitHub 某 AI 項目衝上熱門榜，截至目前獲得 8.4k 顆星。
此 AI 項目的主要功能就是：去除馬賽克，還原文字密碼。
不少人都認為只要打了馬賽克，就不會洩露敏感資訊，因此在公開的社群平台，經常能看到打上馬賽克的結婚照、證書照、成績照等。但無論圖像、文字還是符號，AI 還原馬賽克已不是難事了。
最近名為 Sipke Mellema 的程式設計師便開發一款工具。他說，某些公司內部文件經常使用畫素化顯示密碼，但沒有工具可幫這類圖像恢復密碼，因此便自己寫了一個。
先來看效果圖：
第一行是畫素化後密碼，狠狠打上馬賽克，看不出原始痕跡。
第二行是經 AI 還原後的文字，可看到序列大致還原，且準確度很高，只要稍微推理就能得到第三行的原始密碼。
這「不可思議」的 AI 還原技術如何做到的？
馬賽克是圖像畫素化處理之一，透過將影像特定區域的色階細節劣化並打亂色塊，達到模糊圖像的效果。
畫素化在許多領域用於模糊圖像訊息，其中線性盒濾波器（Linear Box Filter）是較普遍的處理法。線性盒濾波器採用畫素框，用框中所有畫素的平均值覆蓋畫素。
像下圖分為四個色塊，每個色塊由色塊平均值覆蓋，最終形成畫素化表情，由於原始訊息缺失，因此不能直接反轉濾波器。
Mellema 正是利用線性盒濾波器，提出 AI 還原算法──Depix。
線性盒濾波器是種確定性算法，對相同的值執行畫素化通常會產生同樣的畫素塊（Block），那麼反之，使用相同位置的塊畫素化相同文本，是否也會得到同樣塊值？
Mellema 嘗試透過畫素化文本找出相符模式，結果發現確實如此。
具體來說，Mellema 把每塊或塊組合看作子問題。算法要求在相同背景，具備相同文本大小和顏色，因此他沒有選擇創建潛在符號的查找表，因為現代文本編輯器可添加色調、飽和度和亮度，也就是說有大量潛在符號。
處理符號方面，Mellema 使用待處理符號的德布魯因序列（De Bruijn sequence），貼到相同的編輯器，然後截圖。截圖可用作相似塊的查找圖像，例如：
德布魯因序列包括待處理符號的所有雙符號組合，這點很重要，因為一些塊會重疊兩個符號。
要找出合適的配對需要搜尋圖像具備相同畫素配置的塊。測試時 Depix 算法無法找到符號「o」，因為搜尋圖像中，搜尋塊還包含下一個字母「d」，但在原始圖像有個空格。
顯然，創建符號的德布魯因序列時，如果加上空格會帶來同樣的問題，即算法無法找到後續字母恰當的塊。有空格又有字母的圖像需要更長搜尋時間，但結果也更好。
對大多數畫素化圖像而言，Depix 可找到塊的單配對結果。先假設這些塊是正確的，然後比對周圍多個配對塊，使其與畫素化圖像的幾何距離相同，並假設這些匹配也正確。
正確的塊沒有更多幾何匹配後，Depix 直接輸出所有正確的塊。對於多匹配塊，Depix 將輸出所有匹配的平均值。雖然 Depix 的輸出並不完美，但算不錯了。
下圖展示包含隨機符號的測試圖像去畫素化結果，大部分字符都正確讀取：
最後要說明的是，Mellema 開發此 AI 項目並不是為了不法取得資訊，而是利用 ECB 和已知明文攻擊（Known-Plaintext Attacks）模式，提高資訊保護技術。在他看來，不知道如何破壞目前的保護模式，是資訊安全方面的常見陷阱。
如前所述，除了符號密碼，AI 還原人臉也不在話下。
今年 6 月中旬，杜克大學推出 AI 演算法 PULSE，可將低解析度的臉部圖放大 64 倍，即使打了馬賽克，毛孔、皺紋、頭髮都清晰可見。
不過還原的人臉是全新的虛擬臉孔，並不是真實存在的臉。眼睛、鼻子、嘴巴等五官是 AI 在原始圖像的基礎上，自行想像的結果。
因此這項 AI 技術不能用於身分辨識。例如監視器拍攝的失焦無法辨別照片，不能透過 PULSE 還原成原始圖片，不過在醫學、顯微鏡、天文學、衛星圖像等領域有廣泛應用。
技術方面，不同其他超解析度成像法，PULSE 不是遍歷 LR（Low Resolution）圖像來慢慢添加細節，而是發現與 HR 相對應的 LR，透過「縮減損失」（Downscale）得到 SR（Super Resolution）圖像。
其次，PULSE 使用生成對抗網路（GAN）訓練模型。GAN 包括一個生成器（Generator）和一個鑑識器（Discriminator），同一組照片訓練，兩者以博弈方式檢驗輸出是否夠逼真。
最後，無論利用 AI 還原符號密碼還是人臉，初心都是科技向善。但這些 AI 技術不可避免被有些人用於不良或非法用途。因此科技高速發展的現在，保護個資顯得尤其重要。
延伸閱讀：
