馬賽克圖片怎麼還原

網際網路的世界裡，馬賽克從不缺席。而對於馬賽克，小黑是又愛又恨。

恨它是因為別人用馬賽克隱藏關鍵資訊，電影裡看到馬賽克，直教人索然無味；圖片中看到馬賽克，不禁對馬賽克隱藏的資訊深感好奇。

愛它是因為小黑自己用起來又極為順心，平時在微博、朋友圈、論壇等網際網路平臺釋出照片或隱私資訊的時候，常常使用馬賽克將重要資訊模糊掉；工作中需要截圖儲存時，使用馬賽克工具可以讓使用者名稱、地址、密碼等資訊打碼，免得被小夥伴們發現。

一張圖，在被打了馬賽克那一刻起，它就變成另外一張圖，基本無法恢復成原來的模樣。不過，萬能的網友發現，如果使用 AI 工具，可以讓打了馬賽克的圖片重新恢復原樣。在一些愛好者論壇，還有人總結了去馬賽克工具，比如 PULSE 演算法、Depix專案以及谷歌超強畫素遞迴方案。

馬賽克起源與原理

馬賽克一詞，英文名為“Mosaic”，指鑲嵌藝術。現在影片、圖片中常用的馬賽克技術，正是用了與鑲嵌藝術類似原理的影像處理方法。

從詞源上解釋，英文“Mosaic”源自希臘文“Musa”，這是掌管詩歌、藝術與科學女神的名字。在數千年以前，古希臘藝術家就在使用黑白兩色鵝卵石，組合搭配鑲嵌在柱子上。在發展過程中，

馬賽克圖案材料有石塊、有色玻璃碎片等等，但是它的主要結構依然是一個個大小相似的碎塊。

▲ 有色玻璃碎片

後來，人們在進行影像處理時，常常將特定區域的色階細節劣化並造成色塊打亂的效果，打亂後的圖案類似馬賽克鑲嵌藝術，因而人們索性將這種影像處理技術稱之為馬賽克技術。

從原理上來說，影象打碼其實也是影象卷積操作中，空間域濾波的一種方式。

用一定大小的濾波器對馬賽克範圍內畫素進行操作，期間將需要打碼範圍按照濾波器大小劃分為多個區塊，取濾波器範圍內畫素，求取均值，再將均值賦值給範圍內每一個畫素，濾波器再滑到下一個區塊。

▲ 打碼其實是畫素重組

當然，核心原理枯燥泛味，大部分人也不關心什麼是卷積操作。通俗地說，就是將馬賽克區域圖案細分為無數個小方塊，再將這些方塊打亂重組，這樣原本的圖案就會變得模糊不清。

瞭解完馬賽克的原理，去除馬賽克的原理自然浮現在眼前。

目前，去馬賽克技術大都透過 AI 技術，透過不同的方法，將已經打亂的畫素方塊重新組合，還原它本來的樣子。

猜一猜馬賽克背後的圖案

前文說過，圖片打碼過程是不可逆的，想要恢復到原來的模樣就要另想辦法。圍繞去除馬賽克這一課題，研究人員們建立了無數演算法，其中有一種演算法非常特殊，它就是杜克大學研發的PULSE演算法。

之所以說 PULSE 演算法特殊，倒不是因為他們使用了什麼先進的演算法，而是在於他們的思路。與之前的演算法類似，同樣採用 SR 超解析度技術，

但它不是填補畫素，是生成高畫質大圖，然後降低圖片解析度與原始圖片對比，從中找到匹配程度最高的影象。

PULSE 演算法可以在短短几秒內就把16x16畫素的低解析度圖片提升到1024x1024級別，精度提升了64倍，而之前的AI演算法提升不過8倍左右。

先放大再對比猜測，PULSE 演算法可以將模糊的照片秒變清晰，效果還出奇地好。不過，靠猜測得到的圖案畢竟不是原圖，在還原過程往往得到清晰但跟原圖大相徑庭的圖案。比如，我們將奧巴馬的影象打碼，再透過PULSE 演算法還原，得到的居然是一張白人面孔。

▲ 奧巴馬還原後成白人

對此，PULSE 演算法創始人解釋道：“

結果的偏差，原因在於資料的偏差。

為什麼PULSE會出現奧巴馬被洗白的情況？因為它是在FlickFaceHQ上進行預訓練，這個資料集裡基本都是白人照片。如果換成來自塞內加爾的資料集，訓練完全相同的系統，那必然是每個人都看起來像非洲人。”

然而，這樣的解釋似乎有點無力，我們將馬里奧的影象先打碼再還原，得到的圖案看不到一點馬里奧的影子。原版打碼之後的影象還能看出一點馬里奧的影子，而還原後的照片雖然鼻子與面部表情稍微清晰一點，可整體形象完全與馬里奧無關。

拼圖遊戲，畫素塊重新組合

小時候，很多小夥伴都玩過拼圖遊戲，將一個完整的圖案打亂，然後一點一點找規律，將其拼成完整的圖案。繼PULSE 演算法之後，

有一款名為Depix 的演算法火爆網路。

Depix 去除馬賽克的原理其實與我們小時候玩的拼圖遊戲類似，都是將圖案的一部分一點點拼起來，組成完整的圖案。

只不過，與拼圖遊戲相比，去除馬賽克難度提升了無數倍。首先畫素方塊更多，拼接難度異常之大。其次沒有規律，拼圖遊戲可以遵循一定的規律，有些還有原始圖案可供參考，而去除馬賽克沒有任何規律可言，完全靠演算法不斷積累，尋找合適的方法還原圖案。

▲ 細小畫素塊分析

Depix 具體實現方式與PULSE 不同，

它利用了線性盒式濾波器分別處理每個塊的事實。

對於每個畫素方塊，它將搜尋影象區域進行畫素化從而對應匹配。這一過程，就跟我們拼圖時找圖案隔壁的拼塊一樣。

▲ 簡單字母還原

對於大多數畫素化圖塊，Depix 設法找到單匹配結果，然後將周圍的多匹配塊的匹配進行比較，以在幾何上與畫素化影象中的距離相同的距離進行比較。此後反覆測試，直到畫素塊不再與其他畫素塊具有集合匹配結果之後，演算法將直接輸出所有正確的畫素塊。

▲ 僅限於文字內容

比起 PULSE 主要靠猜，Depix 在原有畫素塊基礎上重新排列組合，得到的圖案真實性確實有了很大改善。

不過，目前僅限於線性濾波器，即文字內容，人臉圖案等複雜內容暫時還無法還原。

實用性不足，一鍵去馬賽克成空談

從早期的 JavPlayer、谷歌大腦去馬賽克，到如今的 PULSE、Depix演算法去馬賽克，其實還面臨一個嚴峻的問題，即實用性不足。不少在實驗室裡驚豔無比的去馬賽克技術，在實際體驗中一塌糊塗。

▲ 谷歌大腦去馬賽克

究其原因，在於這些演算法都有嚴格的條件限制。去馬賽克的技術就那麼幾種，而世間的影象千千萬萬。PULSE 先放大再猜測補充畫素點，其精準程度取決於演算法最佳化的好壞以及深度學習內容庫的全面性。

小黑在使用 PULSE 演算法的網站 Face Depixelizer Eng 測試，一張簡單emoji表情居然被還原成一個絡腮鬍大漢。由此可見， PULSE 演算法依靠猜測填充畫素點的方式並不準確，一旦深度學習庫沒有收錄該類圖案，得到的結果往往與原圖截然相反

Depix 畫素重組，還原精準度取決於演算法能夠成功找到合適的畫素塊，目前來看，Depix 不會出現嚴重的識別錯誤，不過重組畫素塊計算量過大，簡單的圖案 Depix 尚能勝任，對於複雜的圖案完全無能為力。

至於 Depix 實用網站與軟體，小黑並沒有找到，

搜尋引擎與應用商店裡的搜尋結果全部都是虛假內容，沒有一款可以使用。

▲ 虛假APP

人工智慧技術日新月異，將馬賽克圖案重新還原確實讓人驚歎不已。不過人工智慧畢竟還是基於科學的演算法技術，它不是無所不能的魔法，做不到完整還原。

目前來看，現有的馬賽克還原技術做不到將面部表情等細節完整還原，頂多可以做到將數字、字母等文字內容還原。因此，我們平時在給關鍵資訊打碼的時候一定要注意，先塗鴉再打碼，這樣就不用擔心被去馬賽克工具還原了！