作者 | Just
出品 | AI科技大本營（ID:rgznai100）
Deepfake換臉圖像的泛濫給人類社會帶來了巨大的挑戰。
雖然研究者們為檢測換臉圖片提出了多種AI鑑別算法，但隨著換臉算法的不斷改造升級，鑑別算法很難跟上換臉算法的變化。
微軟亞洲研究院團隊近期提出的Face X-Ray算法或將改變這種局面。微軟亞洲研究院常務副院長郭百寧稱，“Face X-Ray技術像醫院的X光一樣。它能鑑別圖片真假，不但能告訴你圖片有沒有進行過換臉操作，而且還能告訴你換臉操作的邊界在什麼地方。”這篇論文已入選CVPR 2020。
傳統的 AI 換臉一般分三步走：第一步檢測目標圖像的面部區域；第二步，利用 AI 換臉算法生成新的面部及一部分周圍區域；第三步，將生成的新面部融合到原圖像中，替換原圖像中的面部。
此前的換臉鑑別方法主要從第二步入手，通過檢測換臉過程中產生的瑕疵，確定圖像的真偽，但是，這一瑕疵並不唯一確定，不同的換臉算法合成時造成的瑕疵大相徑庭。
微軟亞洲研究院的 Face X-Ray 換臉鑑別算法則主要針對換臉算法的第三步：圖像融合過程。換臉的圖像必然是至少兩張圖像疊加而成，而且可以確定合成圖像的中間面部是來源於一張圖像，面部周圍來源於另外一張圖像；研究員們還發現，每一張圖像都有一個來自於硬件或軟件的特殊噪聲標記，這些噪聲就像指紋一樣獨一無二。因此，Face X-Ray 通過確定圖像是否包含兩種不同的噪聲，就能判定一張人臉圖像為合成圖像的幾率。
此前業內的主流換臉鑑別算法是訓練 AI 分類器，讓 AI 模型去“學習”大量的換臉圖像，從而具有初步的鑑別能力。“先蒐集一大堆換過臉的照片，再蒐集一堆真照片，然後用深度神經網絡做訓練。看完之後計算機就會學習，然後鑑別這張照片是否進行過換臉操作。”郭百寧解釋。
但二分類方法的侷限在於不具備通用性：只有換臉圖像採用的是已知換臉算法，如 DeepFake、FaceSwap、Face2Face 等生成，才有可能達到較高的識別率（99%以上），因為 AI 模型就是通過大量學習這些算法生成的人臉圖像去提升識別能力，一旦換臉圖像採用了未知算法，其鑑別的識別率會大幅降低至70%。
同時，使用分類器方法的前提是一定要收集大量假圖片才能進行訓練，但“假圖片”本身可能已經對社會造成了危害。
Face X-Ray則把換臉鑑別技術推到了更高層次。首先具有通用性，Face X-Ray背後的算法是“類自監督學習”的一種方法，“我們不需要這些（換臉圖片）數據，也不用知道是哪個換臉算法，就能鑑別。”郭百寧稱。Face X-Ray鑑別算法基於FaceForensics數據集進行了測試，測試的平均識別率達到95%以上。
其次，Face X-Ray具有可解釋性。其能明確指出合成圖像的合成邊界，讓普通人也可以更加容易地理解這一方法的鑑別過程，將AI技術的可解釋性又向前推進了一步。
當然，論文指出，Face X-Ray可能並不適用於對抗性圖片和完全合成圖像。郭百寧表示，換臉技術和換臉檢測技術是矛和盾的關係，有更堅硬的矛就有更堅硬的盾，兩者會互相促進、共同發展。
【end】
原力計劃
《原力計劃【第二季】- 學習力挑戰》正式開始！即日起至 3月21日，千萬流量支持原創作者！更有專屬【勳章】等你來挑戰
- 為什麼說Transformer就是圖神經網絡？
- 6個步驟，告訴你如何用樹莓派和機器學習DIY一個車牌識別器！（附詳細分析）
- 華為補助武漢員工，最高每日 2000 元；iPhone SE 2 量產或推遲；PowerShell 7.0 發佈
- 6 個步驟，教你在Ubuntu虛擬機環境下，用Docker自帶的DNS配置Hadoop | 附代碼
- 開發項目時如何選擇區塊鏈平臺？我們分析了以太坊、Bitcoin via RSK、Ardor三個有趣的平臺來給你回答！
- 我在武漢賣手機
閱讀更多 AI科技大本營 的文章
