教資成績出來了。
不知道大家報名考試了沒？考過了沒？分享了沒？
昨晚，#教師資格證書成績#話題沖上微博熱搜榜首，瀏覽量超過了21億，不少網友在微博曬出自己的成績單，
有的高分通過，準備面試；有的涼涼，準備明年再接再厲；還有的單科卡在了69…..
這個就比較扎心了。
不過更扎心的，可能是不僅教資沒過，還因為曬圖泄露了個人資訊。
你可能覺得奇怪，大家明明把“姓名、身份證號、準考證號”等個人敏感資訊都打上了馬賽克，為什么還會泄露資訊？難不成還可以恢復？
可能還真的可以！
同樣在昨晚，GitHub上一個AI項目沖上了熱榜，截止目前已經收獲了8.4k星標，
這個AI的主要功能就是：去除馬賽克，還原字符密碼。
AI破解密碼
相信不少人都認為，只要打上了馬賽克，就不會泄露敏感資訊，因此，我們在朋友圈、微博等公開社交平臺，經常能夠看到打了馬賽克的結婚照、證書照、成績照等。
但事實上，無論是圖像、文字還是字符，AI還原馬賽克已經不是什么難事了。
最近一位名為Sipke Mellema的程式員便開發了這樣一款工具，他說，一些公司在內部文檔中經常會使用像素化的方式顯示密碼，但沒有工具可以從這樣的圖像中恢復密碼，因此便創建了一個。
我們先來看下效果圖：
其中，第一行是被像素化后的密碼序列，被狠狠地打了一層馬賽克，看不出一點原始痕跡，
第二行是經過AI還原后的密碼，可以看到密碼序列基本被還原了，而且準確度很高，只有稍加推理就能得到第三行的原始密碼。
那么，這個不可思議的AI還原技術是如何實現的？
我們知道，馬賽克是圖像像素化處理的一種手段，它通過將影像特定區域的色階細節劣化并打亂色塊，達到一種模糊圖像的效果，
像素化在許多領域被用于模糊圖像資訊，其中線性盒濾波器（ Linear Box Filter）是一種較為普遍的處理算法。盒子濾波也稱為方框濾波，它采用一個像素框，用該框中所有像素的平均值覆蓋像素。
像這樣，表情圖像被分為四個色塊，每個色塊被色塊平均值所覆蓋，最終形成了像素化表情，由于原始資訊丟失，因此不能直接反轉濾波器。
Mellema正是利用了盒子濾波器，提出了AI還原算法-Depix，
線性盒濾波器是一種確定性算法，對相同的值執行像素化通常會產生同樣的像素塊（Block），那么反之，使用相同位置的塊對相同文本執行像素化，是否也會得到同樣的塊值？
Mellema嘗試通過像素化文本來找出匹配的模式，結果發現確實如此，
具體來說，Mellema把每個塊或塊組合看作一個子問題，該算法要求在相同背景上，具備相同的文本大小和顏色，因此他沒有選擇創建潛在字符的查找表，因為現代文本編輯器可以添加色調、飽和度和亮度，也就是說存在海量潛在字符。
在處理字符方面，Mellema使用待處理字符的德布魯因序列（De Bruijn sequence），將其粘貼到相同的編輯器中，然后截圖。該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字符的所有雙字符組合，這一點很重要，因為一些塊會重疊兩個字符，
要找出合適的匹配需要搜索圖像中具備相同像素配置的塊。在測試中，Depix 算法無法找到字符「o」，因為在搜索圖像中，搜索塊還包含下一個字母「d」，但在原始圖像中這里有個空格，
顯然，在創建字符的德布魯因序列時，如果加上空格會帶來同樣的問題，即算法無法找到后續字母恰當的塊，有空格又有字母的圖像需要更長的搜索時間，但結果也更好。
對于大多數像素化圖像而言，Depix可以找到塊的單個匹配結果，它先假設這些塊是正確的，然后將周圍多個匹配塊進行比較，使其與像素化圖像中的幾何距離相同，并假設這些匹配也是正確的。
在正確的塊沒有更多幾何匹配后，Depix 直接輸出所有正確的塊，對于多匹配塊，Depix 將輸出所有匹配的平均值。雖然 Depix 的輸出并不完美，但已經算不錯了。
下圖展示了包含隨機字符的測試圖像的去像素化結果，大部分字符被正確讀取：
最后需要說明的是，Mellema開發這個AI項目并不是為了竊取資訊，而是利用ECB和明文攻擊（Known-Plaintext Attacks）的模式，提高資訊保護技術。在他看來，不知道如何破壞當前的保護模式，是資訊安全中的常見陷阱，
AI還原人臉圖像
如前所述，除了字符密碼，AI還原人臉照也不在話下。
今年6月中旬，杜克大學部推出AI算法—PULSE，可以將低分辨率的人臉圖像放大64倍，即使是打了馬賽克，面部的毛孔、皺紋，頭發也都能變得清晰可見。
不過，被還原的人臉是一全新的虛擬面孔，并不是真實存在的。其中眼睛、鼻子、嘴巴等五官是AI在原始圖像的基礎上，自行想象出的結果。
因此，這項AI技術不能用于身份識別。比如監控攝像頭拍攝的失焦、無法辨別的圖片，不能通過PULSE還原成真實存在的人像，不過，它在醫學、顯微鏡、天文學，以及衛星圖像等領域有著廣泛的應用場景。
在技術方面，不同其他超分辨率算法，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，通過“縮減損失（Downscale）”的方式得到SR（Super Resolution)圖像。
其次，PULSE使用了生成對抗網路（GAN）來進行模型訓練，GAN包括一個生成器（Generator）和一個鑒別器（Discriminator），在同一組照片訓練中，二者通過相互博弈的方式檢驗輸出是否足夠逼真。
最后，無論是利用AI還原字符密碼、還是人臉圖像，其初心都是科技向善。但這些AI技術不可避免地被有些人用于不良或非法用途，
因此，在這個科技高速發展的現在，保護個人數據顯得尤為重要。
