本文約3003字，建議閱讀6分鐘。
本文介紹最新研究發現，只要用讓AI學會鑑別某一隻GAN生成的假圖片，它就掌握了鑑別各種假圖的能力。
AI造出的假圖片恐怕很難再騙過AI了。
連英偉達本月剛上線的StyleGAN2也被攻破了。即使是人眼都分辨看不出來假臉圖片，還是可以被AI正確鑑別。
最新研究發現，只要用讓AI學會鑑別某一隻GAN生成的假圖片，它就掌握了鑑別各種假圖的能力。
不論是GAN生成的，Deepfake的，超分辨率的，還是怎樣得來的，只要是AI合成圖片，都可以拿一個通用的模型檢測出來。
儘管各種CNN的原理架構完全不同，但是並不影響檢測器發現造假的通病。
只要做好適當的預處理和後處理，以及適當的數據擴增，便可以鑑定圖片是真是假，不論訓練集裡有沒有那隻AI的作品。
這就是Adobe和UC伯克利的科學家們發表的新成果。
有網友表示，如果他們把這項研究用來參加Kaggle的假臉識別大賽，那麼將有可能獲得最高50萬美元獎金。
然而他們並沒有，而是先在ArXiv公佈了預印本，並且還被CVPR 2020收錄。
最近，他們甚至將論文代碼在GitHub上開源，還提供了訓練後的權重供讀者下載。
造出7萬多張假圖
要考驗AI鑑別假貨的能力，論文的第一作者、來自伯克利的學生Wang Sheng-Yu用11種模型生成了不同的圖片，涵蓋了各種CNN架構、數據集和損失。
所有這些模型都具有上採樣卷積結構，通過一系列卷積運算和放大操作來生成圖像，這是CNN生成圖像最常見的設計。
有ProGAN、StyleGAN、BigGAN、BigGAN、GauGAN等等，這些GAN各有特色。
ProGAN和StyleGAN為每個類別訓練不同的網絡；StyleGAN將較大的像素噪聲注入模型，引入高頻細節；BigGAN具有整體式的類條件結構；進行圖像轉換的GauGAN、CycleGAN、StarGAN。
除了GAN以外，還有其他處理圖片的神經網絡：
- 直接優化感知損失 ，無需對抗訓練的級聯細化網絡（CRN）；
- 條件圖像轉換模型隱式最大似然估計（IMLE）；
- 改善低光照曝光不足的SITD模型；
- 超分辨率模型，即二階注意力網絡（SAN）；
- 用於換臉的的開源DeepFake工具faceswap。
主流圖片處理CNN模型應有盡有。他們總共造出了7萬多張“假圖”。
雖然生成這些圖片所用的算法大相徑庭、風格迥異，但是總有會有一些固有缺陷，這裡面既有CNN本身的問題，也有GAN的侷限性。
這是因為常見的CNN生成的內容降低了圖片的表徵能力，而這些工作大部分集中在網絡執行上採樣和下采樣的方式上。下采樣是將圖像壓縮，上採樣是將圖像插值到更大的分辨率上。
之前，Azulay和Weiss等人的研究表明，表明卷積網絡忽略了經典的採樣定理，而跨步卷積（strided convolutions）操作減少了平移不變性，導致很小的偏移也會造成輸出的極大波動。
另外，朱儁彥團隊發表在ICCV 2019上的論文表明，GAN的生成能力有限，並分析了預訓練GAN無法生成的圖像結構。
今年7月，哥倫比亞大學的Zhang Xu等人進一步發現了GAN的“通病”，常見GAN中包含的上採樣組件會引起偽像。
他們從理論上證明了，這些偽像在頻域中表現為頻譜的複製，這在頻譜圖上表現十分明顯。
比如同樣是一張馬的圖片，真實照片的信號主要集中在中心區域，而GAN生成的圖像，頻譜圖上出現了四個小點。
因此他們提出了一種基於頻譜而不是像素的分類器模型，在分辨假圖像上達到了最先進的性能。
而Wang同學發現，不僅是GAN，其他的CNN在生成圖像時，也會在頻譜圖中觀察到週期性的圖案。
訓練AI辨別真偽
剛才生成的數據集，包含了11個模型生成的假圖。
不過，真假分類器並不是用這個大合集來訓練的。
真正的訓練集裡，只有英偉達ProGAN這一個模型的作品，這是關鍵。
△ ProGAN過往作品展
團隊說，只選一個模型的作品用來訓練，是因為這樣的做法更能適應現實任務：
現實世界裡，數據多樣性永遠是未知的，你不知道自己訓練出的AI需要泛化到怎樣的數據上。所以，乾脆就用一種模型生成的圖像來訓練，專注於幫AI提升泛化能力。
而其他模型生成的作品，都是測試泛化能力用的。
(如果用很多模型的假圖來訓練，泛化任務就變得簡單了，很難觀察出泛化能力有多強。)
具體說來，真假分類器是個基於ResNet-50的網絡，先在ImageNet上做了預訓練，然後用ProGAN的作品做二分類訓練。
△ ProGAN原理
不過，訓練集不是一隻ProGAN的作品。團隊用了20只ProGAN，每隻負責生成LSUN數據集裡的一個類別。一隻ProGAN得到3.6萬張訓練用圖，200張驗證用圖，一半是生成的假圖，一半是真圖。
把20只ProGAN的成果加在一起，訓練集有72萬張，驗證集有4000張。
為了把單一數據集的訓練成果，推廣到其他的數據集上，團隊用了自己的方法：
最重要的就是數據擴增。先把所有圖像左右翻轉，然後用高斯模糊，JPEG壓縮，以及模糊+JPEG這些手段來處理圖像。
擴增手段並不特別，重點是讓數據擴增以後處理的形式出現。團隊說，這種做法帶來了驚人的泛化效果 (詳見後文) 。
訓練好了就來看看成果吧。
明辨真偽
研究人員主要是用平均精度 (Average Precision) 這個指標，來衡量分類器的表現。
在多個不同的CNN模型生成的圖片集裡，ProGAN訓練出的分類器都得到了不錯的泛化：
幾乎所有測試集，AP分值都在90以上。只在StyleGAN的分值略低，是88.2。
不論是GAN，還是不用對抗訓練、只優化感知損失的模型、還是超分辨率模型，還是Deepfake的作品，全部能夠泛化。
團隊還分別測試了不同因素對泛化能力產生的影響：
一是，數據擴增對泛化能力有所提升。比如，StyleGAN從96.3提升到99.6，BigGAN從72.2提升到88.2，GauGAN從67.0提升到98.1等等。更直觀的表格如下，左邊是沒有擴增：
另外，數據擴增也讓分類器更加魯棒了。
二是，數據多樣性也對泛化能力有提升。還記得當時ProGAN生成了LSUN數據集裡20個類別的圖片吧。大體上看，用越多類別的圖像來訓練，得到的成績就越好：
然後，再來試想一下，這時候如果突然有個新模型被開發出來，AI也能適應麼？
這裡，團隊用了剛出爐沒多久的英偉達StyleGAN2，發現分類器依然可以良好地泛化：
最後，還有一個問題。
AI識別假圖，和人類用肉眼判斷的機制一樣麼？
團隊用了一個“Fakeness (假度) ”分值，來表示AI眼裡一張圖有多假。AI覺得越假，分值越高。
實驗結果是，在大部分數據集裡，AI眼裡的假度，和人類眼裡的假度，並沒有明顯的相關性。
只在BigGAN和StarGAN兩個數據集上，假度分值越高時，能看到越明顯的瑕疵。
更多數據集上沒有這樣的表現，說明分類器很有可能更傾向於學習低層的缺陷，而肉眼看到的瑕疵可能更偏向於高層。
安裝使用
說完了論文，下面我們就可以去GitHub上體驗一下這個模型的厲害了。
論文源代碼基於PyTorch框架，需要安裝NVIDIA GPU才能運行，因為項目依賴於CUDA。
首先將項目克隆到本地，安裝依賴項。
<code>pip install -r requirements.txt/<code>
考慮到訓練成本巨大，作者還提供權重和測試集下載，由於這些文件存放在Dropbox上不便國內用戶下載，在我們公眾號中回覆CNN 即可獲得國內網盤地址。
下載完成後將這兩個文件移動到weights目錄下。
然後我們就可以用來判別圖像的真假了：
<code># Model weights need to be downloaded.python demo.py examples/real.png weights/blur_jpg_prob0.1.pthpython demo.py examples/fake.png weights/blur_jpg_prob0.1.pth/<code>
如果你有能力造出一個自己的GAN，還可以用它來檢測你模型的造假能力。
<code># Run evaluation>
作者就用它鑑別了13種CNN模型製造的圖片，證明了它的泛化能力。
閃閃發光作者團
這篇文章的第一作者是來自加州大學伯克利分校的Wang Sheng-Yu，他現在是伯克利人工智能研究實驗室（BAIR）的一名研究生，在鑑別假圖上是個好手。
今年他和Adobe合作的另一篇論文Detecting Photoshopped Faces by Scripting Photoshop，可以發現照片是否經過PS瘦臉美顏的操作，而且還能恢復“照騙”之前的模樣。
這篇的另一名作者Richard Zhang與Wang同學在上面的文章中也有合作，2018年之前他在伯克利攻讀博士學位，畢業後進入Adobe工作。
這篇文章的通訊作者Alexei Efros，他曾是朱儁彥的導師，本文提到的CycleGAN正是出自朱儁彥博士之手。Alexei現在是加州大學伯克利分校計算機系教授，此前曾在CMU機器人學院任教9年。
傳送門
論文地址：https://arxiv.org/abs/1912.11035
源代碼：https://github.com/peterwang512/CNNDetection
—完—
關注清華-青島數據科學研究院官方微信公眾平臺“ THU數據派 ”及姊妹號“ 數據派THU ”獲取更多講座福利及優質內容。
閱讀更多 數據派THU 的文章
