從技術角度看，個人覺得不難，以為馬賽克是後期做上去的，不是原始拍攝時有的，所以就像兩個圖層，理論上是可以拿掉的。其實不然，打個比方吧，把你的相片打印出來，再用鉛筆給臉部“打碼”，這張紙是可以透過橡皮“去除馬賽克”的，但是如果我將這張紙影印了再給你，你無論如何也是還原不了的，“碼”已經成為了影象的一部分了。

所以這個恢復是反捲積，是需要機器學習先驗條件的，需要有本來就沒打碼的原圖片檔案，不然直接對馬賽克圖片是沒辦法反向復原的，所謂技術是在整個資料庫（網路）找相似的匹配，所以離百分百必然有不小差距和漏洞。

馬賽克處理，是一個不可逆的過程，如果你沒有原始圖片，是不可能將馬賽克完美去掉的。而且，如果你有原始圖片，就沒有必要再去掉馬賽克了。所以，關心怎麼去掉馬賽克的問題是徒勞的，是沒有意義的。不過，隨著科技的進步，人工智慧也加入到影象識別的行列中。一種“反馬賽克”技術出現了！據外媒Wired報道，來自德州大學的研究人員透過神經網路機器學習，開發了一個用於面部識別和文字識別的軟體系統，它能識別出影片和圖片中被模糊和被打馬賽克前的內容。

▲圖片截自Wired網站在"反馬賽克"試驗中，研究人員挑戰了三種不同的馬賽克技術，第一種是YouTube自帶的模糊影片工具，第二種是圖片馬賽克技術，第三種是P3（Privacy-Preserving Photo Sharing）修圖技術，該技術是南加州大學開發的一個圖片加密工具，專為網際網路時代的圖片傳播而生，對JPEG格式的圖片有很好的加密效果。試驗結果讓人意想不到，計算機對Youtube模糊影片的識別率達到了80～90%。經過最嚴重塗抹的馬賽克圖片，識別準確度仍然能達到50～70%。而透過P3手段修改過的圖片識別率最低，只有17%。有的小夥伴會想這樣的技術一定很複雜，但實際上，開發人員使用了一款名為Torch的軟體，這是一個可以在網上輕易獲得的開源軟體。用來測試的圖片也來源於網路。研究人員除錯軟體對模糊前後的圖片進行辨認，結果輕易達到了很高的準確度。▲最左側一欄中的4張圖為原圖，依次往右的四欄中是程度漸深的馬賽克，右側的三欄為透過P3手段修改過的圖片。

怎麼樣，是不是被嚇到了？這項技術目前只能在一個龐大的圖片庫中找到與被馬賽克遮掉的內容相匹配的圖片，並不是將打碼圖片徹底復原。

也就是說，如果沒有一個足夠大的原始圖片庫，這項技術暫時也不會影響到我們日常打碼的照片……因為原圖我們很可能不會上傳到網路。雖然目前不能做到真正的"反馬賽克"，但另一個問題也值得大家重視——個人資訊洩露。如果有神通廣大的駭客一口氣“吃”下了某個大型社交網站或者雲儲存平臺的資料庫，後果也是不堪設想……

馬賽克如果沒用了，會出驢賽克，到時候你們破解馬賽克又怎麼樣呢，你仍然看不見驢賽克擋住的東西，沒有用的，孩子，你看不到的終究是看不到，道高一尺魔高一丈啊…

得克薩斯大學的研究者日前開發出了一套“反馬賽克”手段，可以突破馬賽克和模糊的遮擋，準確地辨認圖片資訊————實際據筆者研究它的原理就是，透過建立一個用於面部識別和文字識別的軟體系統，它能在一大堆影象中匹配到和馬賽克下面的內容相符的影象，而無法做到真正的“反馬賽克”。

但就算這樣它也可以做到相當準確地識別被模糊或馬賽克遮掉的內容，並且識別能力堪稱強悍，無論是 Youtube 上的影片模糊，還是馬賽克修圖，都不在話下。實驗中，計算機對 Youtube 模糊影片的識別率達到了 80～90%。而即使經過最嚴重塗抹的馬賽克圖片，識別準確度仍然能達到 50～70%。

不過這裡要說明的是這套工具目前還只能“識別”而不能“復原”。

儘管有如此的遺憾，不過這項技術的面世還是令人相當震驚。因為它可以如此簡單地被實現。開發人員使用了 Torch，這是一個可以在網上輕易獲得的開源軟體。這也就意味著任何有想法的人，也許稍加努力就可以達到更高的識別準確度。

所以棄用“模糊”和“馬賽克”，改用徹底塗黑的方法才能最大化保護自己的隱私。雖然不是很美觀，但是保護隱私最重要。

根據資料守恆定律（嗯。。我自己起的名字），馬賽克導致原畫資訊丟失，要邏輯還原是不可能的，大概只能讓電腦猜了。但資訊丟失量太大也沒轍。想象一下把一幅圖打到只剩下一個色塊。。怎麼可能還原。。

如果真有如此神蹟，那還要什麼光纖入戶，一幀4K可以先處理成720P的AV畫質，傳到電腦再解析成4K豈不美滋滋。

這是不可能的！

首先我用樂高積木拼一張圖片，再照相，你怎麼能使別?

在簡單一點，我把一張本來就是畫素的照片，他能把這個弄高畫質嗎？

無論是消除圖片還是影片的馬賽克，還原到原來都是不可能的，除非以後有不同的電腦系統，現在的圖片影片格式決定了不可能恢復，除非使用網路搜尋功能，按照現有打碼的檔案，去尋找到未打碼的原始檔，才是可行的辦法。

照片打賞馬賽克之後，馬賽克部分之前的資料就會被馬賽克覆蓋，資料就變了，也就是說沒有原圖的話，打碼的照片是很難逆向回去的，反馬賽克技術肯定也是透過某種手段找到相似的原圖，透過相似的原圖去逆向計算，但是這種肯定就不是原圖了。

打字太累，直接貼上過來吧

Google Brain在提升圖片解析度方面取得了突破性進展。他們已經成功將8*8（毫米）網格的畫素馬賽克轉換成為肉眼可辨識的人物影象。

谷歌大腦最新技術：將馬賽克還原成清晰影象

在觀看島國教育片的時候，往往在不可描述的部位打上了馬賽克，固然呈現了朦朧美，但部分觀眾依然希望變得更加清晰。現在，Google Brain在提升圖片解析度方面取得了突破性進展。他們已經成功將8*8（毫米）網格的畫素馬賽克轉換成為肉眼可辨識的人物影象。

而真正能夠提升低解析度照片細節的最佳突破口就是神經網路。當我們被照片中所包含的畫素資訊難倒的時候，深度學習能透過人類常說的「幻想」來增加細節。實質就是軟體基於從其他圖片中學習到的資訊對圖片進行猜測。

Google Brain的研究團隊已經公佈了「畫素遞迴超解析度」技術（Pixel Recursive Super Resolution）的最新進展，儘管結果看上去有點瘮人，但是整個還原效果令人印象深刻。

下面是他們復原的效果案例之一：

谷歌大腦最新技術：將馬賽克還原成清晰影象

右手邊的圖片，是32 x 32網格的真實人物頭像。左手邊的圖片，是已經壓縮到8 x 8網格的相同頭像，而中間的照片，是GoogleBrain基於低解析度樣片猜測的原圖。

整個復原過程使用了兩種神經網路。首先介紹的是調節網路（Conditioning Network），它將低解析度照片和資料庫中的高解析度照片進行對比。這個過程中迅速降低資料庫照片中的解析度，並根據畫素顏色匹配一堆同類照片。

接下來介紹的是優先網路（prior network），它就會猜測那些細節可以作為高解析度照片的特徵。利用PixelCNN架構，該網路會篩查該尺寸的同類照片，並根據機率優先對高解析度照片進行填充。例如，在論文提供的例子中，提供的同類照片是名人和臥室，優先網路根據優先順序最終確認了名人的照片。優先網路會在低解析度和高解析度照片中做出決定，如果發現鼻子的可能性比較大，就會選擇鼻子。

接下來，兩個神經網路的最佳猜測就會進行整合，最終形成的影象如下：

谷歌大腦最新技術：將馬賽克還原成清晰影象

下面也是一些透過超畫素技術變化的樣本：

谷歌大腦最新技術：將馬賽克還原成清晰影象

在你開始思考：「這並不準確，這個人工智慧是愚蠢的」，那麼請記住人類同樣也是愚蠢的。一名志願者參與了這樣的測試，同時展示降低解析度的照片和透過Google Brain復原的照片，然後提問「你猜那張照片來自於相機？」，最終結果是10% 的名人照片，測試者選擇了Google Brain的照片。在28% 的臥室樣片中，測試者選擇了Google Brain的照片。

儘管技術是純淨的，但是未來可能會有非常可怕的應用。就像是波士頓馬拉松爆炸案一樣，不難聯想到一些執法部門會濫用該軟體來抓取嫌疑犯。更為重要的是，人工智慧的多次嘗試已經被證明存在種族主義，因為往往會參雜人類的偏見。分析型人工智慧和影象技術的結合，在未來必然會經歷一段漫長的除錯過程

細思極恐！AI軟體可透

頻裡的人臉或其他不宜洩露的資訊打上馬賽克。但是這種對影象或影片做模糊處理的方法很快就會變得毫無用處，...

百度世界大會成功召開

dash;百度大腦”，並宣佈對廣大開發者、創業者及傳統企業開放其核心能力和底層技術。當日，百度股價收...

打碼從此失去了意義！反馬賽克技術

為了保護隱私，馬賽克成了現代人大多數的解決方法。而且目前大多數的主流修圖軟體也都很方便的為使用者提供打馬賽克的功能，但是近日德克薩斯大學的研究人員表示，他們研究的...