ai|可怕!被狠狠打了『马赛克』的图片,就这样被AI还原了( 二 )


对于大多数像素化图像而言 , Depix可以找到块的单个匹配结果 。 它先假设这些块是正确的 , 然后将周围多个匹配块进行比较 , 使其与像素化图像中的几何距离相同 , 并假设这些匹配也是正确的 。

在正确的块没有更多几何匹配后 , Depix 直接输出所有正确的块 。 对于多匹配块 , Depix 将输出所有匹配的平均值 。 虽然 Depix 的输出并不完美 , 但已经算不错了 。

下图展示了包含随机字符的测试图像的去像素化结果 , 大部分字符被正确读取:
最后需要说明的是 , Mellema开发这个AI项目并不是为了窃取信息 , 而是利用ECB和明文攻击(Known-Plaintext Attacks)的模式 , 提高信息保护技术 。 在他看来 , 不知道如何破坏当前的保护模式 , 是信息安全中的常见陷阱 。
AI还原『人脸图像』如前所述 , 除了字符密码 , AI还原人脸照也不在话下 。
今年6月中旬 , 杜克大学推出AI算法—PULSE , 可以将低分辨率的人脸图像放大64倍 , 即使是打了马赛克 , 面部的毛孔、皱纹 , 头发也都能变得清晰可见 。
不过 , 被还原的人脸是一全新的虚拟面孔 , 并不是真实存在的 。 其中眼睛、鼻子、嘴巴等五官是AI在原始图像的基础上 , 自行想象出的结果 。
因此 , 这项AI技术不能用于身份识别 。 比如监控摄像头拍摄的失焦、无法辨别的图片 , 不能通过PULSE还原成真实存在的人像 。 不过 , 它在医学、显微镜、天文学 , 以及卫星图像等领域有着广泛的应用场景 。
在技术方面 , 不同其他超分辨率算法 , PULSE不是遍历LR(Low Resolution)图像来慢慢添加细节 , 而是发现与HR相对应的LR , 通过“缩减损失(Downscale)”的方式得到SR(Super Resolution)图像 。
其次 , PULSE使用了生成对抗网络(GAN)来进行模型训练 。 GAN包括一个生成器(Generator)和一个鉴别器(Discriminator) , 在同一组照片训练中 , 二者通过相互博弈的方式检验输出是否足够逼真 。
最后 , 无论是利用AI还原字符密码、还是人脸图像 , 其初心都是科技向善 。 但这些AI技术不可避免地被有些人用于不良或非法用途 。
【ai|可怕!被狠狠打了『马赛克』的图片,就这样被AI还原了】因此 , 在这个科技高速发展的现在 , 保护个人数据显得尤为重要 。