‏Ribosome: وقتی هوش مصنوعی هش‌های PhotoDNA رو برمی‌گردونه

PhotoDNA یه فناوری مایکروسافته که از هر تصویر یه «امضای دیجیتال منحصربه‌فرد» می‌سازه. این امضا با پایگاه داده‌ای از تصاویر غیرقانونی از پیش شناسایی‌شده مقایسه می‌شه تا محتوای مضر مثل CSAM شناسایی بشه. شرکت‌های بزرگی مثل گوگل، فیسبوک و توییتر ازش استفاده می‌کنن. مایکروسافت صراحتاً گفته بود که «هش PhotoDNA برگشت‌ناپذیره و نمی‌شه ازش برای بازسازی تصویر استفاده کرد.»

پروژه Ribosome این ادعا رو به چالش می‌کشه. این ابزار متن‌باز با استفاده از یادگیری ماشین، هش‌های PhotoDNA رو معکوس می‌کنه و می‌تونه تصاویری با کیفیت thumbnail از هش اصلی بازسازی کنه. نتایج نشون می‌ده که اشکال کلی بدن، چهره‌ها و حتی رنگ‌بندی کلی تصویر قابل بازیابی هستن.

از نظر فنی، هش‌های PhotoDNA وکتورهایی با ۱۴۴ بایت هستن. Ribosome یه شبکه عصبی شبیه معماری DCGAN و Fast Style Transfer رو روی مجموعه‌ای از جفت‌های تصویر/هش آموزش می‌ده. این شبکه از بلوک‌های residual و convolutionهای fractionally-strided برای upscaling استفاده می‌کنه تا از اون ۱۴۴ بایت یه تصویر ۱۰۰×۱۰۰ بسازه.

انتخاب دیتاست آموزشی روی کیفیت نتیجه تأثیر مستقیم داره. مدل‌هایی که روی CelebA (دیتاست چهره) آموزش دیدن، چهره‌ها رو خیلی بهتر بازسازی می‌کنن. مدل آموزش‌دیده روی COCO (دیتاست متنوع) هم نتایج قابل‌قبولی می‌ده، حتی وقتی تصویر ورودی از دیتاست دیگه‌ای باشه. جالب اینه که چون PhotoDNA تصویر رو قبل از پردازش به grayscale تبدیل می‌کنه، مدل یاد می‌گیره رنگ‌بندی رو هم از نو حدس بزنه.

نکته مهم اینه که Ribosome PhotoDNA رو به عنوان یه جعبه سیاه در نظر می‌گیره و هیچ دسترسی به جزئیات داخلی الگوریتم نداره. از اونجایی که PhotoDNA متن‌بسته‌ست، پژوهش‌های اندکی روی آسیب‌پذیری‌هاش انجام شده. یه مقاله ۲۰۱۹ با همکاری مایکروسافت ادعا کرده بود که PhotoDNA در برابر حملات طبقه‌بندی مبتنی بر ML مقاومه، اما Ribosome نوع متفاوتی از حمله (inversion attack) رو نشون می‌ده.

نکات کلیدی:

• PhotoDNA امضای دیجیتال تصاویر رو می‌سازه و توسط گوگل، فیسبوک و توییتر استفاده می‌شه
• Ribosome با آموزش شبکه عصبی روی جفت‌های تصویر/هش، این هش‌ها رو معکوس می‌کنه
• ادعای «برگشت‌ناپذیری» مایکروسافت با این پروژه زیر سوال رفته
• کیفیت بازسازی به دیتاست آموزشی بستگی داره؛ دیتاست متنوع‌تر نتیجه بهتری می‌ده
• کد و مدل‌های آموزش‌دیده روی GitHub در دسترس عموم هستن