有時候出于隐私等方面的考慮，我們需要給圖片和影像打上馬賽克，有時候我們又會嫌馬賽克礙事，打馬賽克和反馬賽克仿佛一場無止境的較量。微軟在1月底推出了一項自動視頻打碼技術，用戶隻需要選擇視頻中的一個人物，AI就能自動識别、追蹤視頻中這個人物所有露臉的地方并進行模糊處理。而近日Google Brain（谷歌大腦）團隊又發布了一個名為超強像素遞歸方案（Pixel Recursive Super Resolution）的AI系統，能提高像素亂化處理後的照片的分辨率。通俗地講，就是能去除馬賽克。

有興趣的讀者可以試試用谷歌的這個AI去清除微軟的AI打出來的馬賽克，不過在進行這個“以子之矛，攻彼之盾”的遊戲前，不妨先看看谷歌的這個解碼AI到底“超強”在哪裡。

谷歌上載在預印本網站arXiv上的論文詳細介紹了這個算法的原理和效果。在下圖中，右列是名人照片未經模糊化的原圖，左列是被打碼後的照片，分辨率僅有8x8像素。而中間是谷歌的AI解碼處理後的效果，分辨率達到32x32像素，提升了16倍。

左起：馬賽克版、谷歌AI還原版、原圖

通常情況下，馬賽克是難以清除的。這是因為在打碼過程中，原圖的信息會經曆不可逆的損失。根據奈奎斯特采樣定理，如果這個采樣頻率比原始數據的頻率的 2 倍還要低，那麼必然産生不可逆的數據損失。

以往最常見的馬賽克去除方法是插值。我們可以把每一個像素想象成一個特定顔色的小格子，這些特定的顔色可以用特定的數值代表。一張圖片就是由無數這樣的小格子組成的。而最常見的馬賽克手段，就是把那個區域的數字都取周圍數字的平均數。

而所謂的插值，就是把這塊被取并均值的區域再進行放大，比如放大200%的話，原來被打碼區域裡的一個小格子就會被2x2四個格子取代，剩下的任務就是再重新填充這4個格子的顔色。我們可以通過取周圍若幹個格子顔色的加權平均值來填充每個格子，取的周圍格子數越多，還原效果也就越好。當然，這種解碼手段最後呈現的效果并不能令人滿意。

2016年，得克薩斯大學的一個團隊推出了一個名為Torch的反馬賽克，不過Torch的原理是識别而非複原。也就是說，Torch可以匹配出被打馬賽克圖片相符或者相似的原圖。

谷歌大腦的這個算法思路與Torch一脈相承，隻是技術上更進一步。開發者們通過深度學習讓機器産生“聯想”，以“猜測”的方式為被馬賽克的色塊增加細節，提升像素倍數，從而得出更清晰的畫面。比起“還原”，還不如說這是AI靠強大的學習和計算能力“腦補”出了原圖。

這種“腦補”基于兩項核心工具。第一項工具調節網絡（conditioning network），是一個CNN（卷積神經網絡），通過向系統展示海量人物面部照片來進行訓練，讓系統記憶學習到具有代表性的面部特征。另一項工具優先網絡（prior network）是一個PixelCNN，讓系統基于之前的訓練，猜測哪些細節可以作為高分辨率照片的特征，并根據概率優先原則，從所有可能的原圖中找到最有可能匹配的細節，對高分辨率照片進行填充。

訓練機器還原卧室照片所用的樣本示例

目前，該系統“還原”出的人臉照片的混淆率是10%。在“還原”場景圖片方面，該系統的表現可能會更好一些，其混淆率可以達到28%。50%的混淆率意味着完全複原，可以以假亂真。

“還原”人臉混淆率為10%，“還原”場景混淆率為28%。

從應用角度來看，該系統最大的突破在于能夠讓8x8像素的模糊圖片變得清晰一些，盡管離通過識别面部驗證人員身份還有一段距離，但對于通過“還原“分辨圖片中對象的位置、确定事物大概面貌以及确認某人是否在現場來說已經足夠了，這将為犯罪刑偵帶來更大的幫助。

而Google近水樓台先得月，可能會将該技術率先應用在自家SNS社交網站“Google ”的圖片上傳上，即在用戶上傳照片時将其低像素壓縮，識别出圖片中的關鍵信息，然後再啟動這項AI技術，将圖片提高分辨率進行“還原”。這種方式可以幫助用戶節省流量。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!