『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 #話題衝上微博熱搜榜首，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，還因為曬圖洩露了個人信息。
你可能覺得奇怪，大家明明把 「姓名、身份證號、準考證號」等個人敏感信息都打上了馬賽克，為什麼還會洩露信息？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 項目衝上了熱榜，截止目前已經收穫了 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。
相信不少人都認為，只要打上了馬賽克，就不會洩露敏感信息，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麼難事了。
最近一位名為 Sipke Mellema 的程式設計師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，第一行是被像素化後的密碼序列，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 還原後的密碼，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。
那麼，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並打亂色塊，達到一種模糊圖像的效果。
像素化在許多領域被用於模糊圖像信息，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，它採用一個像素框，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，由於原始信息丟失，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），那麼反之，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，然後截圖。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」，但在原始圖像中這裡有個空格。
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，即算法無法找到後續字母恰當的塊。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。
對於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，然後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，並假設這些匹配也是正確的。
在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：
最後需要說明的是，Mellema 開發這個 AI 項目並不是為了竊取信息，而是利用 ECB 和明文攻擊（Known-Plaintext Attacks）的模式，提高信息保護技術。在他看來，不知道如何破壞當前的保護模式，是信息安全中的常見陷阱。
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，杜克大學推出 AI 算法—PULSE，可以將低解析度的人臉圖像放大 64 倍，即使是打了馬賽克，面部的毛孔、皺紋，頭髮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，並不是真實存在的。其中眼睛、鼻子、嘴巴等五官是 AI 在原始圖像的基礎上，自行想像出的結果。
因此，這項 AI 技術不能用於身份識別。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，不同其他超解析度算法，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 使用了生成對抗網絡（GAN）來進行模型訓練。GAN 包括一個生成器（Generator）和一個鑑別器（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。
最後，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於不良或非法用途。
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。