破解ai路径_Reddit最热：一个专门给不可描述照片加水印的APP被AI破解了

我先问你一个严肃的问题。 你从睡在你身上的兄弟那里收到过无法说明的照片吗

10300名18岁以下青少年的调查显示，sexting越来越普遍，15%的青少年表示是他们发的。 在欧美各国，这一比例更高。 比利时，近50%的15至21岁的年轻人都这样做。

为了防止这些图片被滥用，比利时电信提供商provider telenet与Child Focus合作推出了名为“. comdom”的App。 看了名字就知道，这个应用程序使青少年之间发短信更加安全。

简单来说，你可以在照片上加水印。 与一般的水印不同，水印包含照片收件人的姓名和电话号码。 并且，水印复盖照片整体，利用通常的图像编辑工具(例如Photoshop )难以除去。

那样的话，你发给对方的隐私照片二次传开的话，谁都知道是谁干的。 通过这种方式，Telenet希望降低隐私照片二次传播的比例。

但是，加上水印真的安全吗？

水印破了，AI得救了

今天，解读这个App的投稿登在了reddit的人气排行榜上

安全sexting App无法抵抗AI

仅仅几天时间，比利时根大学IDLab-MEDIA的研究人员就开发出了自动清除水印的工具，维持了高画质，并附上了效果图

用App加水印的图

用他们的工具去除水印的图

完全恢复了吗？ 如果说下图是原图的话，我相信很多人都会相信。 他们是怎么做到的？ 答案是AI。

这个水印去除研究是根特大学peterlert教授的IDLab-MEDIA研究小组的研究者Martijn Courteaux和Hannes Mareen进行的(上图左到右的3人)。 研究者可以很容易的找到应用是如何构筑水印的。 然后，在随机选择的数千张照片的集合中应用水印本身(以各种各样的形式)。 最后，在此基础上，训练比较简单的人工智能算法(神经网络)找出加水印的照片与原来的照片之间的关系，然后该算法可以从App拍摄的照片中去除水印。

“. comdom的开发人员低估了现代AI技术的能力”，但是研究人员认为，为了保护使用该App的人，不会分发去除水印的软件。

少去水印，社会意义重大！

从表面上看，这也是“大学生成功应用商业应用”的案例，其背后的社会意义不容忽视，尤其是DeepFake技术越来越成熟的今天。 因此，这个新闻登陆红dit后立刻被社区用户关注，成为话题。 首先，让我们看看大家对这个事件有什么看法。

DeepFake的担心:甚至连拍照片都没有脸”这样“安全”

从App开发者的角度来看，他们确实找到了防止普通用户二次传播图像的机制。 但是，从AI业者来看，这种方式看起来有些儿科。

Rhakae :你觉得这个“不能说明安全地发送照片”的功能没有意义吗？ 最有效的方法是:1)坚决不发行；2 )发出头发也不要露面。

muonmanlasejab :我想除了rhaakae提到的两点以外，还有更有效的方法。 致力于图像伪造软件的开发，向上司发送了自己的个人资料录像:“看，我做的DeepFake真的很真实！ ’说。 的双曲馀弦值。 之后，类似的东西流出来的话，大家就没有兴趣了。 (看来是用毒攻毒。)

dr _ th rax _ still _ does :说到2020年绝对有可能实现头脑交换功能的应用程序也不为过。 如果给定足够多的图像，AI就可以产生非常接近真实细节的图像。

不露面并不意味着完全的安全，但至少相对来说更安全。 因为你不能阻止所有的人，如果能阻止很多的话就好了。 这个项目的目的是完全除去水印。 那么，你认为水印可以重建吗？

MuonManLaserJab :技术始终难以保密，算法迟早会被发现，反而有人利用这项技术做坏事。 但是，我相信当安全模式被破坏的时候，会为技术开发新的进化模式。

schludy :下次把衣服脱掉！

absolumynotim :终身追求。

明智的网民分析了背后的实现原理

LartTheLuser :他们必须使用秘密特殊结构的小波基函数和与加密密钥对应的小波权重逆小波变换作为椭圆曲线的域参数集合，该椭圆曲线集合的元素只知道. comdom。 使用多条椭圆曲线可能有数百个椭圆以防止密钥泄漏，并且具有冗馀性，因此可以随着时间的推移而循环。

然后，可以将小波逆变换与通过使用非常强的神经网络的产生对抗所产生的复杂函数进行卷积，来反向卷积这些信号。

然后，创建. comdom应用程序，使其在将图像加载到屏幕上时动态添加水印。 也就是说，1 )必须执行强力的神经网络，反向卷积反向生成的卷积信号。 2 )使用小波基函数的先验知识进行小波变换，得到椭圆曲线权重的子集。 3 )使用特殊的专用椭圆曲线将各种椭圆曲线分解为成分，验证该成分是否是有效的密钥，以及是否是与图像水印内容的哈希对应的代码。 最后，使用该哈希值检索水印的内容，复盖图像。

这样，每当应用程序或其他参与的应用程序看到已知图像时，都会添加水印。 唯一的解决办法是解决非常难的AI问题、非常难的信号问题以及迄今无法解密的加密机制的复杂序列。

我确信中央情报局和其他先进情报机构正在使用这个机制。

毫秒级别的图像去噪！ 英伟达，MIT新AI系统完全去水印

其实，去水印照片并不新鲜。 ICML2018表示图像干燥技术Noise2Noise，诸如英达和MIT之类的研究者可以自动消除图像水印和模糊等噪声，从而几乎完全恢复图像干燥技术，呈现时间为毫秒级。

通过该深度学习噪声去除方法，无需使用没有“噪声”的清晰图像，就能够实现完全的水印去除。 效果如下:

小组从ImageNet数据集中使用5万张图像训练了人工智能系统。 该系统能够从图像中去除噪声。 没有看过没有噪音的对应图像。

名为“噪声对噪声”( Noise2Noise )的AI系统是使用深度学习创建的，不是基于成对的清晰图像和噪声图像来训练网络，而是基于成对的噪声图像来训练网络，仅需要噪声图像。 计算机生成的图像和MRI扫描图像也用于Noise2Noise的训练。

通过只使用噪声来训练Noise2Noise，研究人员希望该方法能够应用于天体照片、核磁共振成像( MRI )、脑扫描成像等噪声较多的成像中。

从左到右:输入的噪声图像、去噪图像、原始图像

来自IXI数据集的约50个被实验者的5000幅图像用于训练Noise2Noise的MRI图像的去噪能力。 在没有人工噪声的情况下，结果可能比原始图像有点模糊，但是清晰度还是恢复得很好。

MRI图像去噪

Nvidia的研究人员jacobmonberg说:“这是我们在公共核磁共振数据库进行训练的概念证明，但是将来可能会展现出实用的希望。”

Noise2Noise系统通过使用使用损伤的图像训练的神经网络来实现。 不需要干净的图像，但需要观察两次原始图像。 实验表明，受不同合成噪声(加性高斯噪声、泊松噪声和binomial噪声)影响的目标图像具有与使用清洁样本恢复的图像“基本相同”的质量。 此系统最令人兴奋的是，它可以大大减少渲染图像所需的时间(毫秒)。

研究人员在论文中发现，“适当、常见时，可以从破坏的样本中学习重建信号，不需要观察清洁的信号，与使用清洁的样本具有同样的效果。 如下所示，统计上我们的结论可能微不足道，但实际上通过解除清洁数据可用性的要求，该方法大大简化了学习信号的重建”。