隐私保护的第一道防线：破解马赛克有多「容易」？(6)

在上图中，右列是名人照片未经模糊化的原图，左列是被打码后的照片，分辨率仅有8×8像素。而中间是谷歌的 AI 解码处理后的效果，分辨率达到 32×32 像素，提升了 16 倍。
Google Brain 还原低分辨率照片基于两项核心工具。第一项是工具调节网络（conditioning network），通过海量人物面部照片来进行训练，让系统记忆学习到具有代表性的面部特征。另一项是工具优先网络（prior network），让系统基于之前的训练，猜测可以作为高分辨率照片的特征。
发者们通过深度学习让机器产生「联想」，以「猜测」的方式为被马赛克的色块增加细节，提升像素倍数，从而得出更清晰的画面。比起「还原」，还不如说这是 AI 靠强大的学习和计算能力「脑补」出了原图。
从应用角度来看，该系统最大的突破在于能够让 8×8 像素的模糊图片变得清晰一些，离更高清晰度的「解码」还有一段距离。

PULSE

杜克大学 2020 年 3 月 8 日在 arXiv 期刊 中公布了不同于以往的超分辨率解决方案。这是 机器之心 关于 PULSE 算法的一段关键描述：
PULSE 不从 LR 图像开始缓慢地添加细节，而是遍历高分辨率自然图像流形，搜索可以降级至原始 LR 图像的高分辨率图像。这一过程通过「降尺度损失」（downscaling loss）完成，它指引着在生成模型潜在空间中的探索。

通俗来说，PULSE 不是像拼图一样从 0 开始填补像素，而是快速生成高清大图然后降低图片分辨率与原始图片对比，从中找到匹配程度最高的图像的一种解决方案。这样的好处就是快速和生成的图片更加细腻。PULSE 算法可以在短短几秒内就把 16×16 像素的低分辨率图片提升到 1024×1024 级别，精度提升了64倍，同时可以将低分辨率图像中无法看清的毛孔、皱纹、头发等转换得清晰。