上一年里，Google DeepMind的神经网络围棋AI——AlphaGo震惊围棋界，继1997年的IBM“深蓝”打败了国际象棋世界冠军以后，就连棋盘复杂度几何级上升的围棋，即便是国际九段选手也难逃被AlphaGo逐一打败事实，一时间人工智能变成脍炙人口的话题。AlphaGo虽然依赖着超高运算速度的超级电脑，其背后软件算法基础则是深度神经网络。近日谷歌另一个团队神经网络作品Google Brain也横空出世，它竟然可以对打了马赛克的图片进行“复原”，或许这是很多宅男梦寐以求的功能。

我们知道，一般的打马赛克是对照片信息直接进行栅格化，会按照随机原则取出像素点信息，重新组合成一幅新的图片，大量的图片像素点信息被丢弃掉，我们很难复原出原图片，除非是打上马赛克时保留了原本像素信息才有可能复原。

而在Google展示的实例当中，它可以将一幅8*8高度马赛克化的照片复原成32*32的照片，使得我们可以从照片中获取更多有效信息，比如说五官长什么样之类的。从Google Brain的复原结果来看，人物面部特征已经初具雏形，相似度也很接近。从8*8扩大到32*32，像素点增加了16倍，想要添加正确的像素点信息一点都不简单，否则还原出来的图片与原图误差非常大。

那么Google Brain的“去马赛克”是如何工作的呢？

没错，这个还是目前人工智能领域的“万金油”——神经网络的功劳。Google团队为此训练了两个不同类型的神经网络：Prior Network以及Conditioning Network。

Prior Network是一种像素卷积神经网络，它用于分析原马赛克图中8*8像素中的信息，分析后会与数据库中数以千万计的高分辨率图片作比较，优选出情况类似的图片，并增加到马赛克图片中，以此添加更多真实而高清的五官细节。

Conditioning Network则是一种条件型神经网络，工作原理很简单，就是把海量的图片都缩小到8*8像素大小，并且与原来的马赛克图片匹配选出最接近的。

最后，研究人员会将两个神经网络的处理结果进行糅合，两幅处理过的图片将会按照一定算法重新生成一幅新图片。

看到这里，大家应该都明白，Google Brain并不能完整复原照片，只是利用大数据以及神经网络算法重新补充照片“细节”，这些“细节”都是“猜测”出来，并非是“真实的”，还原图片质量只能是靠近原图。还原的图片相似度还是要依靠背后的图片数据库以及不停训练的神经网络。

最后研究人员还进行了马赛克图片还原效果盲测，让测试人员分辨出原图以及还原图，结果有10%的测试人员分辨错误，而且卧室照片测试中，测试人员分辨错误比例达到28%。这些成绩都远好于现有的马赛克还原技术，换句话说Google Brain这个项目是成功的。

虽然8*8像素图片扩展成32*32像素，分辨率可能还是太小，但是神经网络经过长时间训练以及优化，是可以“成长”的，若果配给更加高性能的超级电脑，或许有一天可以达到你们想要的360P变1080P。