写点什么

微软北大造出超逼真 AI 换脸框架,顺便搞了个伪人脸检测器,网友:自造矛和盾?

  • 2020-01-07
  • 本文字数:1769 字

    阅读完需:约 6 分钟

微软北大造出超逼真AI换脸框架,顺便搞了个伪人脸检测器,网友:自造矛和盾?

以 Deepfake 为代表的 AI 换脸技术营造出的“以假乱真”的效果让人感到细思极恐,不过现有的一些生成工具还不能达到完全逼真的换脸效果,有的存在不少破绽,有的换脸效果很不自然,能轻易让人识别出来。近日,微软和北大的研究人员提出了一种新的 AI 换脸框架— FaceShifter,其能够大大提高换脸的高保真度。AI 换脸技术在爆红的同时也伴随着因滥用带来的隐忧,研究团队还提出了一种检测伪造人脸图像的方法—Face X-Ray,能够检测出复杂的伪造人脸图像。


近日,微软研究院和北京大学的研究团队发表了 2 篇学术论文,一篇关于生成高保真图像且能识别遮挡物的人脸交换框架— FaceShifter,另一篇关于检测伪造人脸图像的方法——Face X-Ray。


研究人员表示,这两项技术优于以前许多同类技术,所需数据也更少,且不会以牺牲性能代价。



微软的 FaceShifter 与现有方法对比


据了解,FaceShifter 能用源图像中的人替换掉目标图像中的人,同时保留了头部姿态、面部表情、光线、颜色、强度、背景和其他特征。但像 Reflect 和 FaceSwap 这样的应用程序声称也可以准确地做到这一点,但是微软论文的合著者表示,FaceShifter 对姿势和视角变化更加敏感。


FaceShifter 通过生成式对抗网络(GAN)来提高人脸交换的保真度,自适应嵌入集成网络(AEI-Net)是一款由一个生成器组成的 AI 模型,该生成器的作用是迷惑鉴别器,让鉴别器把合成的样本归类为真实样本。它可以在不同空间分辨率中提取属性。


值得一提的是,AEI-Net 整合了研究人员所称的注意力非正规化(AAD)层,该层可自适应地学习在哪里整合面部属性,而单独的模型“启发式错误识别细化网络(HEAR-Net)”,则利用了重建图像与其输入之间的差异来识别斑点遮挡。




来自 FaceShifter 上的示例


再来单独感受下周杰伦“换脸”的过程~



微软的研究团队表示,在定性测试中,FaceShifter 保留了人脸轮廓,并准确地还原了目标的光线和图像分辨率。此外,即使是从互联网上抓取的“陌生面孔”,该框架也学会了在不依赖人工标注数据的情况下恢复异常区域——包括眼镜、阴影和反射效果,以及其他遮挡物。


研究小组称,“这款框架在生成逼真的人脸图像方面表现优异。大量实验表明,该框架明显优于以前的人脸交换方法。”


与现有的框架不同的是,FaceShifter 不需要事先了解操作方法,也不用人工监督。相反,它生成灰度图像,提示给定输入图像是否能分解成不同来源的两张图片的混合。研究小组表示,这是可行的,因为大多数面部处理方法都有一个共同的步骤,那就是将改变过的脸部混合到现有的背景图像中。在混合过程中,每幅图像都夹杂着各自独特的标记,这些标记要么来自硬件(如传感器和透镜),要么来自软件组件(如压缩和合成算法),而且这些标记与整幅图像趋于融合。



我们再来说一说 Face X-Ray。Face X-Ray 不需要依赖与人脸“造假技术”相关的知识,并且,Face X-Ray 的算法可以在不通过任何方法生成伪图像的情况下进行训练。


与 FaceShifter 不同的是,Face X-Ray 的作用是用于检测伪造的虚假头像。目前,伪造头像被滥用的情况横行网络。去年 6 月,一份报告显示,一名间谍利用 AI 生成的个人资料图片欺骗了 LinkedIn 上的联系人,同年 12 月,Facebook 发现了数百个利用 AI 合成的假脸作头像的虚假账户。研究人员表示,确实需要像 Face X-Ray 这样的工具来检测深度伪造的图像。


FaceForensics ++是一个大型视频语料库,其中包含四种使用先进人脸操作方法操作的 1000 多个原始剪辑。研究人员在 FaceForensics ++上对 Face X-Ray 进行了训练。研究人员评估了 Face X-Ray 归纳四个数据集的能力,其中包括 FaceForensics ++语料库的一个子集;Google 发布的上千个可视化Deepfake视频;来自Deepfake检测挑战的图像; 以及一个包含 408 个真实视频和 795 个合成视频的语料库 Celeb-DF。


结果表明,Face X-Ray 能够分辨出以前从未见过的伪造图像,并能准确地预测混合区域。该团队指出,他们的方法是针对混合图像的,因此,它可能不适用于完全合成的图像,可能被对抗样本骗过。暂且撇开这个不谈,研究团队认为,这是迈向伪造人脸检测的重要一步。


原文链接:


https://venturebeat.com/2020/01/06/microsoft-researchers-propose-face-swapping-ai-and-face-forgery-detector/


论文链接:


FaceShifter:https://arxiv.org/pdf/1912.13457.pdf


Face X-ray:https://arxiv.org/pdf/1912.13458.pdf


2020-01-07 14:228574
用户头像
刘燕 InfoQ高级技术编辑

发布了 1112 篇内容, 共 583.4 次阅读, 收获喜欢 1981 次。

关注

评论 1 条评论

发布
用户头像
以彼之矛攻彼之盾,目前还是难分伯仲。但魔高一尺道高一丈,未来,相信检测深度造假的算法定会战胜深度造假算法。
2020-01-09 16:23
回复
没有更多了
发现更多内容

算法题学习---链表反转

桑榆

c++ 算法题 10月月更

“程”风破浪的开发者|元宇宙就是游戏吗?元宇宙的核心价值是什么?

王中阳Go

学习 深度思考 程序员 元宇宙 “程”风破浪的开发者

同情是对他人的不尊重

欧阳娜

Excel 文档的写入

芯动大师

Python Monad Excel数据分析 10月月更

ES6中数组做了哪些新扩展?

CoderBin

JavaScript 面试 前端 ES6 10月月更

Java线程池submit阻塞获取结果实现原理

JAVA旭阳

Java 线程池 10月月更

教你如何使用华为云的DLV平台搭建无人机飞行轨迹大屏,教科书级别的文章,非常详细

wljslmz

物联网 无人机 数据可视化 10月月更 智慧大屏

“程”风破浪的开发者|我的Docker学习小妙招

学习方法 “程”风破浪的开发者

嵌入式 Linux 入门(三、Linux Shell 及常用命令说明)

矜辰所致

Linux Shell 10月月更 Shell命令

Eclipse 2022 如何设置中文汉化 步骤绝对足够详细

Geek_yx5md7

eclipse 汉化教程

docker 的 bridge,container网络模式

忙着长大#

,docker

两类常见场景下的云原生网关迁移实践

阿里巴巴云原生

阿里云 云原生网关

复盘:一次测试负责人岗位面试总结

老张

面试 质量保障 团队规划

【JavaWeb】 Mybatis-01-Mybatis的简介:用对话的方式让你明白为什么要使用Mybatis

游坦之

10月月更

eBPF深度探索: 高效DNS监控实现

俞凡

ebpf

运维进阶训练营-W01H

b1a2e1u1u

运维

今年很难被薪资倒挂了!

小小怪下士

Java 程序员

Linux下安装Anaconda3,这个教程一定要看!

麦洛

Anaconda python 3.5+

Vue组件入门(十三)作用域插槽

Augus

Vue 10月月更

Java线程池源码深度解析

JAVA旭阳

Java 线程池 10月月更

直接插入排序算法,看这篇就够了

游坦之

算法 10月月更

Spring Boot「12」自定义 starter

Samson

Java spring 学习笔记 spring-boot 10月月更

“程”风破浪的开发者|我的数据结构和算法学习小技巧

Albert

学习方法 算法 LeetCode “程”风破浪的开发者

架构作业3-外包学生管理系统架构文档

许四多

离职交接,心态要好

程序人生 职场

【愚公系列】2022年10月 Go教学课程 037-面向对象综合案例-微博

愚公搬代码

10月月更

【一Go到底】第二十三天---字符串函数详解

指剑

Go golang 10月月更

栈和队列的实现

lovevivi

c 数据结构 10月月更

技术翻译之我见——标准、实操与收益

刘华Kenneth

翻译 图数据库

“程”风破浪的开发者|我的学习方法

张立梵

学习方法 “程”风破浪的开发者

“程”风破浪的开发者|HTML知识框架整理

默默的成长

Web3.0 “程”风破浪的开发者

微软北大造出超逼真AI换脸框架,顺便搞了个伪人脸检测器,网友:自造矛和盾?_AI&大模型_刘燕_InfoQ精选文章