Naukowcy pokazują, jak AI odtwarza rozmazane i rozpikselowane twarze

Metody rozmycia i pikselizacji, od dekad stosowane do ukrywania twarzy świadków, informatorów czy uczestników protestów w materiałach wideo i na zdjęciach, przestają być skuteczną ochroną anonimowości. Zespół badaczy z University of Illinois Urbana-Champaign opracował metodę o nazwie Revelio, która przy pomocy modelu dyfuzyjnego odwraca efekt rozmycia Gaussa i rozpoznaje ukrytą pod nim tożsamość z bardzo wysoką skutecznością.

Rozmycie Gaussa i pikselizacja od lat traktowane były jako standardowy sposób ochrony tożsamości osób nagrywanych bez ich zgody lub proszących o anonimowość, na przykład sygnalistów, ofiar przestępstw czy uczestników protestów. Problem w tym, że matematycznie oba te procesy są przewidywalną formą degradacji obrazu, a właśnie z takim zniekształceniem najlepiej radzą sobie modele dyfuzyjne, czyli ta sama klasa sieci neuronowych, która stoi za generatorami obrazów pokroju Midjourney czy Stable Diffusion.

Jak działa Revelio

System opisany przez zespół z Illinois wykorzystuje warunkowy model dyfuzyjny połączony z wyszukiwaniem tożsamości w bazie referencyjnej. Proces przebiega w trzech etapach: najpierw powstaje wstępna rekonstrukcja twarzy, następnie algorytm porównuje ją z bazą znanych twarzy w poszukiwaniu najbardziej prawdopodobnego dopasowania, a na końcu doprecyzowuje wynik, dostrajając model na podstawie innych dostępnych zdjęć tej samej osoby. Kluczowy mechanizm to wykorzystanie efektu zapamiętywania w modelach generatywnych, wytrenowanych na milionach twarzy, dzięki czemu potrafią odtworzyć cechy nawet z mocno zdegradowanego obrazu.

Rekonstrukcja twarzy w nagraniach wideo pozostaje trudniejsza niż w pojedynczych zdjęciach, ponieważ wymaga zachowania spójności rysów między kolejnymi klatkami. Badacze podkreślają jednak, że efekt końcowy nie zawsze jest wierną kopią rzeczywistej twarzy, lecz statystycznie najbardziej prawdopodobną wersją pasującą do zdegradowanego materiału, co w praktyce i tak może wystarczyć do postawienia trafnej hipotezy co do tożsamości.

Zagrożenie dla dziennikarstwa i praw człowieka

Konsekwencje dotyczą przede wszystkim organizacji zajmujących się dokumentowaniem naruszeń praw człowieka i dziennikarstwem śledczym. Organizacja WITNESS, która od lat doradza w kwestiach bezpiecznego dokumentowania wideo, oraz Human Rights Watch już zmieniły swoje praktyki filmowania osób wymagających ochrony tożsamości. Amnesty International spotkała się wcześniej z krytyką za wykorzystanie generatywnej AI do edycji materiału dowodowego, co pokazuje, jak delikatna jest granica między ochroną a manipulacją materiałem.

Nic nie jest w pełni odporne na przyszłe technologie - Hany Farid, ekspert ds. forensyki medialnej

W styczniu 2026 roku stacja NPR opisywała przypadek, w którym internauci próbowali zidentyfikować funkcjonariusza amerykańskiej służby imigracyjnej ICE na podstawie nagrania z zamazaną twarzą, wykorzystując właśnie tego typu narzędzia AI. Podobne techniki mogą teoretycznie posłużyć do identyfikacji świadków w sprawach karnych czy demaskowania osób biorących udział w protestach w krajach o represyjnych rządach.

Co dalej z anonimizacją

Eksperci wskazują, że jedyną realną alternatywą dla rozmycia pozostają metody nieodwracalne, takie jak pełne zastąpienie twarzy syntetycznym awatarem, maskowanie czarnym prostokątem albo usuwanie newralgicznych fragmentów obrazu zamiast ich degradowania. Departament Sprawiedliwości USA zastosował na przykład czarne prostokąty redakcyjne przy publikacji zdjęć związanych ze sprawą Epsteina na przełomie stycznia 2025 roku, co część specjalistów wskazuje jako bardziej odporne rozwiązanie niż tradycyjne rozmycie.

Dla polskich redakcji, organizacji pozarządowych i instytucji publikujących materiały wymagające anonimizacji świadków czy pokrzywdzonych, wyniki badania oznaczają konieczność rewizji dotychczasowych standardów. Samo rozmycie twarzy przestaje być wystarczającym zabezpieczeniem, zwłaszcza w erze powszechnie dostępnych, coraz tańszych narzędzi generatywnych zdolnych do automatycznej rekonstrukcji obrazu.

Źródła: Tech Policy Press, arXiv (Restoring Gaussian Blurred Face Images for Deanonymization Attacks)