当前位置: 去除器 >> 去除器市场 >> 可怕被狠狠打了马赛克的图片,就这样
作者
贝爽
『教资』成绩出来了。
不知道大家报名考试了没?考过了没?分享了没?
昨晚,#教师资格证书成绩#话题冲上微博热搜榜首,浏览量超过了21亿,不少网友在微博晒出自己的成绩单。
有的高分通过,准备面试;有的凉凉,准备明年再接再厉;还有的单科卡在了69.....
这个就比较扎心了。
不过更扎心的,可能是不仅教资没过,还因为晒图泄露了个人信息。
你可能觉得奇怪,大家明明把“姓名、身份证号、准考证号”等个人敏感信息都打上了马赛克,为什么还会泄露信息?难不成还可以恢复?
可能还真的可以!
同样在昨晚,GitHub上一个AI项目冲上了热榜,截止目前已经收获了8.4k星标。
这个AI的主要功能就是:去除马赛克,还原字符密码。
1
AI破解『密码』
相信不少人都认为,只要打上了马赛克,就不会泄露敏感信息,因此,我们在朋友圈、微博等公开社交平台,经常能够看到打了马赛克的结婚照、证书照、成绩照等。
但事实上,无论是图像、文字还是字符,AI还原马赛克已经不是什么难事了。
最近一位名为SipkeMellema的程序员便开发了这样一款工具。他说,一些公司在内部文档中经常会使用像素化的方式显示密码,但没有工具可以从这样的图像中恢复密码,因此便创建了一个。
我们先来看下效果图:
其中,第一行是被像素化后的密码序列,被狠狠地打了一层马赛克,看不出一点原始痕迹。
第二行是经过AI还原后的密码,可以看到密码序列基本被还原了,而且准确度很高,只有稍加推理就能得到第三行的原始密码。
那么,这个「不可思议」的AI还原技术是如何实现的?
我们知道,马赛克是图像像素化处理的一种手段,它通过将影像特定区域的色阶细节劣化并打乱色块,达到一种模糊图像的效果。
像素化在许多领域被用于模糊图像信息,其中线性盒滤波器(LinearBoxFilter)是一种较为普遍的处理算法。盒子滤波也称为方框滤波,它采用一个像素框,用该框中所有像素的平均值覆盖像素。
像这样,表情图像被分为四个色块,每个色块被色块平均值所覆盖,最终形成了像素化表情,由于原始信息丢失,因此不能直接反转滤波器。
Mellema正是利用了盒子滤波器,提出了AI还原算法-Depix。
线性盒滤波器是一种确定性算法,对相同的值执行像素化通常会产生同样的像素块(Block),那么反之,使用相同位置的块对相同文本执行像素化,是否也会得到同样的块值?
Mellema尝试通过像素化文本来找出匹配的模式,结果发现确实如此。
具体来说,Mellema把每个块或块组合看作一个子问题。该算法要求在相同背景上,具备相同的文本大小和颜色,因此他没有选择创建潜在字符的查找表,因为现代文本编辑器可以添加色调、饱和度和亮度,也就是说存在海量潜在字符。
在处理字符方面,Mellema使用待处理字符的德布鲁因序列(DeBruijnsequence),将其粘贴到相同的编辑器中,然后截图。该截图可用作相似块的查找图像,例如:
德布鲁因序列包括待处理字符的所有双字符组合,这一点很重要,因为一些块会重叠两个字符。
要找出合适的匹配需要搜索图像中具备相同像素配置的块。在测试中,Depix算法无法找到字符「o」,因为在搜索图像中,搜索块还包含下一个字母「d」,但在原始图像中这里有个空格。
显然,在创建字符的德布鲁因序列时,如果加上空格会带来同样的问题,即算法无法找到后续字母恰当的块。有空格又有字母的图像需要更长的搜索时间,但结果也更好。
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-PlaintextAttacks)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。
2
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(LowResolution)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(SuperResolution)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。
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。
引用链接: