图片打了马赛克还能被还原？怎样做才更安全？
编辑：晴晨
马赛克——最常用的一种图片编辑手段，网络中的一些聊天记录、图片、视频等，很多关键信息都被上传者打上了马赛克。有人认为，打上马赛克并非万事大吉，可以通过软件进行破解、还原。这话听上去很可怕，但如果知晓了其中原理，再加上一些必要的防范手段，完全可以更好地保护隐私。
说到破解、还原，国外一家技术公司的首席研究员Dan Petro曾在自己的博客中表示，他已经成功破解了马赛克算法，可以还原其中的文字信息。他认为，马赛克是一种非常不好、不安全，而且会泄露敏感数据的方法。他建议永远不要使用马赛克去遮挡文字信息。
图片来源于网络
看到这里，相信大家对使用马赛克的安全性产生了质疑。事实上，Dan Petro的破解手段有一定局限性，从其过程可以大概了解到，计算机先是模拟各个字母、数字被打码后的效果，并根据其特征进行成千上万次的计算，最后筛选出匹配的内容，说白了就是让AI来“画”，再压缩回马赛克状态跟原图比一比，最后把相似的版本拿出来展示。
其实早在Dan Petro开发前，市面上早就有用这种逻辑解码的工具了，但是由于一些技术问题，这些解码工具的正确率并不高。而且中文字体，或是我们拍的照片，构造比英文字母复杂得多，破解难度远比英文字母与阿拉伯数字大。
图片来源新京报
搞笑的是，有网友对内容做了简单的涂鸦处理，单纯认为遮住内容就是打码。要知道，涂鸦只是对图片上追加了一层透明的遮罩，无论多少次叠加都可以通过调节亮度、对比度等参数的方式让笔刷后的内容现形。这些基于错误操作带来的错误结论，居然又变成了马赛克不安全的证据，真的是错上加错。
所以说，现有的破解方式，没有任何一种完全有效的技术能去除马赛克，虽然有一部分案例看起来像是真的还原了，但实质上那并不是原图像，只能是无限趋于，但并不等于。
不过，随着AI等技术的进步，还原内容或许越来越接近真实，Dan Petro建议，如果想对重要信息进行加密，可以尝试用黑色条来遮挡。那么，除了这一点，还可以使用哪些技术手段来防范呢？
1、增加马赛克的复杂度。使用不同形状、大小和颜色的马赛克，甚至是随机生成的非规则形状，可以增加识别和还原马赛克的难度，提高安全性。
2、多次涂抹和完全覆盖。打马赛克的时候，多数人只覆盖一小部分，不会全部覆盖，有了关联性，AI复原的可能性更高。想要让马赛克安全，对图案要进行多次涂抹和全覆盖。
3、增加马赛克的噪声。添加噪声可以使得还原马赛克后的图像模糊不清，从而增加识别和还原的难度。
4、结合其他隐私保护技术。比如“马克赛+”消除、模糊、色彩等，增加破解难度。
5、及时更新图片编辑软件。马赛克技术并非只有一种，还有各种各样的图片、图标、纯色马赛克等。
参考来源：澎湃新闻、新京报
复原混乱的魔方需要几步？诺丁汉大学团队用深度学习告诉你
回想在校期间，很多同学会在课间休息时从书桌里掏出魔方或娴熟或略显笨拙地转动起来，甚至上课时有些同学也会悄悄地在桌下转动手中的魔方。现在，“人工智能” 也对这款益智玩具产生了兴趣，期待用更加智能的方式实现魔方的复原。
近日，诺丁汉大学（University of Nottingham）副教授 Colin G. Johnson 带领的研究小组开发出一种深度学习技术，可以从一套样本解决方案中学习 “适应度函数” 并用它来解决魔方复原问题。该研究相关论文于 2 月 24 日发表在 Expert Systems 上，题目为《用逐级深度学习方法解决魔方问题》（Solving the Rubik's cube with stepwise deep learning）。
图｜相关论文（来源：Expert Systems）
将打乱的魔方复原是一个相对复杂的问题，但研究人员决定将这一复杂的问题转换为多个简单的问题来解决，他们认为 “解决任何难题最多需要 20 步”。因此，他们将逐级学习和深度神经网络作为本次设计方案的两种主要方法。对应到魔方复原中，该技术会一步步地去尝试解决，而不是一次性学习复原魔方的整体方案。
换句话说，就是这种技术会通过尝试转动一个部件使魔方呈现更简单的形态，也就是把一个复杂的问题拆解成若干个相对简单的小问题，先学习解决一个小问题的方案，然后经过对这一步骤的数次重复，最终达到魔方复原的效果。其实，该种方案也意味着，整体解决方案的每一步都要比上一步更加容易。
该技术会 “反其道而行之”，从魔方一步步打乱的过程中学习怎样将混乱的魔方复原。具体操作起来就是，将拼好的魔方标记为 “0”，进行一次旋转后的魔方标记为 “1”，再旋转一次后标记为 “2”…… 以此类推。每个状态都与一个数字配对，该数字代表该状态下距离目标的步数。因此，学习的过程也是建立模型的过程，最终实现从数据库中抽取任意一个状态，预测将需要多少步才能到达目标状态，该步骤就与其被标记的数字相对应。
图｜计算机学习魔方复原的数据（来源：Expert Systems）
然后，用特定的深度学习网络构建魔方复原培训集，并在其中搜索出当下的混乱状态和已经解决后的状态。
接下来，通过模拟数千次转动来估算魔方的混乱程度。完成了魔方的混乱程度估计之后，Johnson 开发的技术将通过深度神经网络的方式识别魔方复原前的一步，接下来是复原前的第二步、第三步…… 把这些数据积累起来再去解决魔方的复原问题将会非常容易，最终可以通过这些准备工作找出把混乱魔方复原的路径。
Johnson 解释道："与其尝试学习如何解决将整个魔方复原，不如学习怎样把复原魔方这一较为复杂的问题转换为更容易的问题，然后使用更简单的方法来解决它。"
图｜深度学习框架解决魔方问题的步骤（来源：Expert Systems）
目前，Johnson 仅将该方案用于魔方的复原，但他也表示，这只是一个示例，其实该技术也可用于解决一些更加复杂的问题。“比如消除留声机、早期唱片中旧录音的噪音。” 具体而言是，如果他设计的技术能学到一个 “原始的声音”、一个比 “原始的声音” 多一点噪音的声音以及一个比 “原始的声音” 多一点再多一点的声音…… 那么最终将通过这种循序渐进的方式还原最 “纯净的声音”。
Johnson 表示，相比其他方式，他设计的这种逐级学习更加有效，也更能凸显分步处理的优势。不过，他也表示，该种训练框架将需要比传统方案更多的对特定领域的知识。以本文为例，训练解决魔方的框架就需要复原魔方的能力。
未来该技术将可能用于解决科学工程的很多其他问题，如用来学习和更好地理解蛋白质在细胞内折叠的方式，从蛋白质呈现的三维结构点序列可以倒推其是怎样折叠成最终形态的。
