卿勝藍(lán)

在警匪片中我們經(jīng)?？吹竭@樣的場(chǎng)景：從監(jiān)控錄像中發(fā)現(xiàn)一閃而過(guò)的不法分子后，鏡頭定格于人像，警察緊緊盯著電腦屏幕說(shuō)：“放大，增強(qiáng)?！苯又?，技術(shù)人員一通兒敲打鍵盤，經(jīng)過(guò)神奇的圖像處理加工，電腦屏幕上呈現(xiàn)出一張清晰的面部特寫。

然而在現(xiàn)實(shí)生活中，用低像素?cái)z像機(jī)拍出的人像，一經(jīng)放大，呈現(xiàn)出的并不是分明的五官，而是一團(tuán)模糊的圖像。如果是在黑夜里拍攝，圖像情況會(huì)更糟。

在光線作為信號(hào)產(chǎn)生圖像的過(guò)程中，比較粗糙的部分是噪點(diǎn)，光線暗的環(huán)境下收錄的噪點(diǎn)較多，信噪比低。用信號(hào)處理的方法提高圖像的分辨率是比較普遍的方法，比如直接通過(guò)電腦計(jì)算提高圖像信噪比。這種技術(shù)常被用在有線電視、數(shù)碼相機(jī)等呈現(xiàn)圖像的媒介中，它可以提高圖像的質(zhì)量，但還不足以還原被“馬賽克”覆蓋的圖片。

不過(guò)幾家大型技術(shù)公司和研究機(jī)構(gòu)正在把電影中的情節(jié)與現(xiàn)實(shí)拉近。今年2月初，Google大腦團(tuán)隊(duì)就成功運(yùn)用人工智能技術(shù)將只有8×8像素（即8個(gè)像素點(diǎn)×8個(gè)像素點(diǎn)）的馬賽克圖片復(fù)原到了32×32像素的圖片。

在這次研究中，Google嘗試恢復(fù)了明星人臉和臥室照片兩種類別的圖片。以明星人臉為例，首先機(jī)器需要對(duì)大量普通人臉學(xué)習(xí)。但明星人臉會(huì)因上妝效果與普通人臉有些差異，比如眼睛更大、下巴更尖。因此，Google還研究了明星的化妝，特意標(biāo)注了明星臉上一些有代表性的變量。

“Google的數(shù)據(jù)庫(kù)里有大量照片，每張都以類似的方式打上馬賽克，拿原圖跟馬賽克比較，看其相近性。通過(guò)這樣的方法，讓機(jī)器學(xué)會(huì)處理這些圖片。百度深度學(xué)習(xí)實(shí)驗(yàn)室主任林元慶對(duì)《第一財(cái)經(jīng)周刊》說(shuō)，大量高清圖片形成的數(shù)據(jù)能產(chǎn)生處理人臉的模板。

在Google的模板中，使用了兩種網(wǎng)絡(luò)：“調(diào)節(jié)網(wǎng)絡(luò)”（Conditioning Network）和“優(yōu)先網(wǎng)絡(luò)”（Prior Network）。調(diào)節(jié)網(wǎng)絡(luò)能將低像素圖片與相似的高像素圖片有效配對(duì)，得到馬賽克圖片中人臉的大致構(gòu)架。優(yōu)先網(wǎng)絡(luò)則會(huì)對(duì)馬賽克做分析，試著將細(xì)節(jié)添加到對(duì)應(yīng)的區(qū)域中，使圖片看上去更加真實(shí)。

所以，與其說(shuō)Google的方法是在還原這些馬賽克圖片，不如說(shuō)模擬人腦的計(jì)算機(jī)在“猜”這些圖片最有可能是什么樣的。Google所使用的模型其實(shí)是在計(jì)算一種概率：這張人臉可能長(zhǎng)什么樣。

既然是“猜”，那么它給出的答案與相同分辨率的原圖對(duì)比肯定會(huì)存在差距。不過(guò)在Google的試驗(yàn)中，人類很難從一組32×32像素的圖片中，辨認(rèn)出哪張是真實(shí)圖片哪張是機(jī)器復(fù)原的，這意味著機(jī)器還原的準(zhǔn)確率已經(jīng)在一個(gè)有效的范圍內(nèi)了。

“使用深度學(xué)習(xí)的方法能更好地解決機(jī)器處理模糊圖像的問(wèn)題?！绷衷獞c說(shuō)。最近，百度也對(duì)外展示了利用人工智能技術(shù)辨別模糊圖像中人臉的能力，但與Google不同的是，百度的這項(xiàng)技術(shù)不是修復(fù)人臉，只是識(shí)別人臉。

在江蘇衛(wèi)視正在熱播的綜藝節(jié)目《最強(qiáng)大腦》中，百度人工智能機(jī)器人“小度”曾識(shí)別黑暗環(huán)境中拍攝的“盜賊”，節(jié)目中的三個(gè)人分別戴了帽子、墨鏡、口罩等遮擋物。對(duì)于計(jì)算機(jī)來(lái)說(shuō)，能否檢測(cè)到圖像中的人臉，難點(diǎn)在于暗光和遮擋物。

在有遮擋物的條件下，百度團(tuán)隊(duì)希望計(jì)算機(jī)能夠根據(jù)有限的人臉信息，做到準(zhǔn)確識(shí)別。他們?cè)谒惴ㄉ献隽艘恍┰O(shè)計(jì)，在訓(xùn)練機(jī)器時(shí)，會(huì)標(biāo)注出圖像中哪些部分不屬于人臉，如帽子、墨鏡、口罩，然后把這些無(wú)用信息的權(quán)重降低，讓機(jī)器自動(dòng)完成學(xué)習(xí)過(guò)程。

針對(duì)黑暗環(huán)境下信噪比較低的情況，百度團(tuán)隊(duì)也搜集了真實(shí)黑暗環(huán)境下拍攝的圖片，同時(shí)模擬了部分圖片。然后，他們將實(shí)際數(shù)據(jù)和模擬數(shù)據(jù)放入深度學(xué)習(xí)模型，讓計(jì)算機(jī)能夠辨別黑暗環(huán)境下的人臉特征。

更精準(zhǔn)識(shí)別模糊圖像里的關(guān)鍵信息，這種人工智能技術(shù)無(wú)疑在公共安全領(lǐng)域會(huì)發(fā)揮很大作用。但目前，它還遠(yuǎn)稱不上完善。

數(shù)據(jù)量是一個(gè)問(wèn)題。比如Google的試驗(yàn)?zāi)壳熬椭粚?duì)房間和明星人臉兩類圖片做了復(fù)原，圖片內(nèi)容包含的信息較少。如果要訓(xùn)練機(jī)器復(fù)原其他類型的圖片，甚至是更加復(fù)雜的圖片，就需要更多數(shù)據(jù)和工作量。

另外，人工智能“思考”的方式畢竟和人類大腦有所不同，如何綜合雙方的優(yōu)勢(shì)，降低各自的劣勢(shì)也是需要考慮的。比如在《最強(qiáng)大腦》“人臉識(shí)別”的那場(chǎng)比賽中，機(jī)器人“小度”答錯(cuò)的第二個(gè)問(wèn)題，其選出的人臉就與正確的人臉相差非常大：正確的人臉臉型寬大，而“小度”給出的答案臉型較窄。

這個(gè)在人類看來(lái)會(huì)是顯而易見(jiàn)的差別，對(duì)于計(jì)算機(jī)來(lái)說(shuō)卻沒(méi)有那么明顯。“胖瘦在我們系統(tǒng)里面不是那么重要的一個(gè)特征，機(jī)器對(duì)這一因素確實(shí)不敏感，”林元慶說(shuō)，“我們的人臉識(shí)別模型更基于從嘴型這種基礎(chǔ)的因素做出判斷?！彪m然“小度”完全把嫌疑人的臉型搞錯(cuò)了，但它找出的人臉和正確答案的人臉之間嘴型特別像。

去年，康奈爾大學(xué)專注于數(shù)據(jù)隱私研究的教授Vitaly Shmatikov曾表示：“在安全和隱私方面，人們尚未感受到機(jī)器學(xué)習(xí)的威力。”在他看來(lái)，至少目前，機(jī)器還不具備簡(jiǎn)簡(jiǎn)單單就破解圖片隱私的能力。