如何使用DeepFake實現視訊換臉

不久之前，AV 視訊換臉明星的 DeepFake 火了。這篇文章將一步步教你如何實現換臉。

如果你是第一次聽說 DeepFake，一定要點選上面的視訊，親自感受一下尼古拉斯的臉是如何佔據全世界的每一個影片。

專案實戰

我們要如何實現視訊裡的變臉呢?

因為視訊是連續的圖片，那麼我們只需要把每一張圖片中的臉切換了，就能得到變臉的新視訊了。那麼如何切換一個視訊中的圖片呢? 這需要我們 首先找到視訊中的臉，然後把臉進行切換。我們會發現，變臉這個難題可以拆解成如下的流程。

於是，在我們會在後續按照這五個步驟進行介紹。

視訊轉影象

FFmpeg

FFmpeg 提供了處理音訊、視訊、字幕和相關源資料的工具庫。核心的庫包括:

• libavcodec 提供了處理編碼的能力

• libavformat 實現了流協議、容器型別、基本的 I/O 訪問 

• libavutil 包括雜湊、解壓縮等多樣的功能 

• libavfilter 提供了鏈式修改音訊和視訊的能力 

• libavdevice 提供了對裝置訪問的抽象 

• libswresample 實現了混音等能力 

• libswscale 實現了顏色和尺度變換的能力

對外主要提供了三個工具:

• ffmpeg 用來處理多媒體內容 

• ffplay 是一個極簡的播放器 

• ffprobe 是多媒體內容的分析工具

於是，我們的視訊轉圖片的功能，可以通過以下命令來實現，

ffmpeg -i clipname -vf fps=framerate -qscale:v 2 "imagename%04d.jpg"

具體來說，上面的指令可以把一個視訊，按照固定的頻率生成圖片。

人臉定位 

基本演算法

人臉定位是一個相對成熟的領域，主要應用 dlib 庫的相關功能。我們雖然可以定製一個人臉識別的演算法，但是我們也可以使用已有的通用的人臉識別 的函式庫。

有兩類演算法，一類是 HOG 的臉部標記演算法。

(來源: Facial landmarks with dlib, OpenCV, and Python) 

該演算法的效果如上圖。它將人臉分成了如下的區域:

• 眼睛 (左/右)

• 眉毛 (左/右)

• 鼻子

• 嘴

• 下巴 

基於這些標記，我們不僅能夠進行後續的換臉，也能檢測臉的具體形態，眨眼狀態等。例如，我們可以把這些點連在一起，得到更多的特徵。

(來源: Real-Time Face Pose Estimation ) 

尋找臉部標記是一個預測問題，輸入是一張圖片和興趣區域，輸出是興趣區域的關鍵點。

HOG 是如何找到人臉的呢? 這是一個通用的檢測演算法:

• 從資料集中找到正樣本，並且計算 HOG 描述 

• 從資料集中找到負樣本，並且計算 HOG 描述 

• 基於 HOG 的描述使用分類演算法 

• 在負樣本上在不同的起點和尺度進行分類，並且找到誤判的 HOG 

• 基於上一步的負樣本，對模型進行重新的訓練

這裡有個問題，如何計算 HOG 的描述呢? 我們可以計算每個點的亮度，然後把每個點表示為指向更黑的方向的向量。如下圖所示：

 (來源: Machine Learning is Fun! Part 4: Modern Face Recognition with Deep Learning )

 (來源: Machine Learning is Fun! Part 4: Modern Face Recognition with Deep Learning )

我們為什麼要這麼做呢? 因為每個點的絕對值會受到環境的影響，但是相對值則比較穩定。因此，我們通過梯度變化的表示，能夠準備出高質量的資料。當然，我們也可以進一步的把相鄰的點聚合在一起，從而產生更有代表性的資料。

現在可以進行檢測了

• 首先在新的圖片上基於不同的起點和尺度尋找可行的區間；

• 基於非極大抑制的方法來減少冗餘和重複的，下圖就是一個有冗餘和去除冗餘的情況，這個方法說白了就是找一個最大概率的矩陣去覆蓋掉和它過於重合的矩陣，並且不斷重複這個過程。

  (來源: Histogram of Oriented Gradients and Object Detection)

有了輪廓之後，我們可以找到臉部標記。尋找臉部標記的演算法是基於《One Millisecond Face Alignment with an Ensemble of Regression Trees》的論文。簡單來說，它利用了已經標記好的訓練集來訓練一個迴歸樹的組合，從而用來預測。

 (來源: One Millisecond Face Alignment with an Ensemble of Regression Trees) 

在這個基礎上，就能夠標記出這 68 個點。

 (來源: Facial landmarks with dlib, OpenCV, and Python ) 

基於人臉的 68 個標記的座標，可以計算人臉的⻆度，從而摳出擺正後的人臉。但是 dlib 要求識別的必須是全臉，因此會減少我們的樣本集以及一些特定的樣本場景。同時，因為人臉是 64*64 畫素的尺寸，因此也要處理清晰度的問題。

另一種方法是用 CNN 訓練一個識別臉部的模型。CNN 能夠檢測更多的⻆度，但是需要更多的資源，並且可能在大檔案上失效。

資料準備

我們的目標是把原始人臉轉換為目標人臉，因此我們需要收集原始人臉的圖片和目標人臉的圖片。如果你選擇的是一個名人，那麼可以直接用 Google image 得到你想要的圖片。雖然視訊中的圖片也能用，但是也可以收集一些多樣的資料。當然，我用的是我和我老婆的圖片，因此直接從我 們的 Photo 中匯出即可。當人臉資料生成後，最好仔細檢查一下，避免不應該的臉或者其它的東東出現在你的訓練集中。

extract.py

Deepfake 用於定位人臉的演算法如下:

import cv2 # 開源的計算機視覺庫

from pathlib import Path # 提供物件導向方式的檔案訪問
from tqdm import tqdm # 提供進度條顯示功能
import os # 提供作業系統相關的訪問
import numpy as np # 提供科學計算相關的功能

from lib.cli import DirectoryProcessor, rotate_image # 處理一個目錄的檔案，然後儲存到新的目錄中；旋轉圖片，其實是在utils中
from lib.utils import get_folder # 獲得一個folder，不存在則建立
from lib.multithreading import pool_process # 多程式併發計算
from lib.detect_blur import is_blurry # 判斷圖片是否模糊
from plugins.PluginLoader import PluginLoader # 載入對應的演算法

class ExtractTrainingData(DirectoryProcessor): # 從訓練集提取頭像
    def create_parser(self, subparser, command, description):
        self.optional_arguments = self.get_optional_arguments()
        self.parser = subparser.add_parser(
            command,
            help="Extract the faces from a pictures.",
            description=description,
            epilog="Questions and feedback: \
            https://github.com/deepfakes/faceswap-playground"
            )

 # 引數配置部分省略

    def process(self):
        extractor_name = "Align" # 對應的是Extract_Align.py
        self.extractor = PluginLoader.get_extractor(extractor_name)()
        processes = self.arguments.processes
        try:
            if processes != 1: # 多程式處理圖片
                files = list(self.read_directory())
                for filename, faces in tqdm(pool_process(self.processFiles, files, processes=processes), total = len(files)):
                    self.num_faces_detected += 1
                    self.faces_detected[os.path.basename(filename)] = faces
            else: # 單程式處理圖片
                for filename in tqdm(self.read_directory()):
                    try:
                        image = cv2.imread(filename)
                        self.faces_detected[os.path.basename(filename)] = self.handleImage(image, filename)
                    except Exception as e:
                        if self.arguments.verbose:
                            print('Failed to extract from image: {}. Reason: {}'.format(filename, e))
                        pass
        finally:
            self.write_alignments()

    def processFiles(self, filename): # 處理一個單獨的圖片的函式
        try:
            image = cv2.imread(filename)
            return filename, self.handleImage(image, filename)
        except Exception as e:
            if self.arguments.verbose:
                print('Failed to extract from image: {}. Reason: {}'.format(filename, e))
            pass
        return filename, []

    def getRotatedImageFaces(self, image, angle): # 得到固定角度旋轉後的圖片的人臉
        rotated_image = rotate_image(image, angle)
        faces = self.get_faces(rotated_image, rotation=angle)
        rotated_faces = [(idx, face) for idx, face in faces]
        return rotated_faces, rotated_image

    def imageRotator(self, image): # 得到一系列旋轉後的人臉
        ''' rotates the image through rotation_angles to try to find a face '''
        for angle in self.rotation_angles:
            rotated_faces, rotated_image = self.getRotatedImageFaces(image, angle)
            if len(rotated_faces) > 0:
                if self.arguments.verbose:
                    print('found face(s) by rotating image {} degrees'.format(angle))
                break
        return rotated_faces, rotated_image

    def handleImage(self, image, filename):
        faces = self.get_faces(image)
        process_faces = [(idx, face) for idx, face in faces]

        # 沒有找到人臉，嘗試旋轉圖片
        if self.rotation_angles is not None and len(process_faces) == 0:
            process_faces, image = self.imageRotator(image)

        rvals = []
        for idx, face in process_faces:
            # 畫出人臉的標記
            if self.arguments.debug_landmarks:
                for (x, y) in face.landmarksAsXY():
                    cv2.circle(image, (x, y), 2, (0, 0, 255), -1)

            resized_image, t_mat = self.extractor.extract(image, face, 256, self.arguments.align_eyes)
            output_file = get_folder(self.output_dir) / Path(filename).stem

            # 檢測圖片是否模糊
            if self.arguments.blur_thresh is not None:
                aligned_landmarks = self.extractor.transform_points(face.landmarksAsXY(), t_mat, 256, 48)
                feature_mask = self.extractor.get_feature_mask(aligned_landmarks / 256, 256, 48)
                feature_mask = cv2.blur(feature_mask, (10, 10))
                isolated_face = cv2.multiply(feature_mask, resized_image.astype(float)).astype(np.uint8)
                blurry, focus_measure = is_blurry(isolated_face, self.arguments.blur_thresh)
                # print("{} focus measure: {}".format(Path(filename).stem, focus_measure))
                # cv2.imshow("Isolated Face", isolated_face)
                # cv2.waitKey(0)
                # cv2.destroyAllWindows()
                if blurry:
                    print("{}'s focus measure of {} was below the blur threshold, moving to \"blurry\"".format(Path(filename).stem, focus_measure))
                    output_file = get_folder(Path(self.output_dir) / Path("blurry")) / Path(filename).stem

            cv2.imwrite('{}_{}{}'.format(str(output_file), str(idx), Path(filename).suffix), resized_image) # 生成新圖片
            f = {
                "r": face.r,
                "x": face.x,
                "w": face.w,
                "y": face.y,
                "h": face.h,
                "landmarksXY": face.landmarksAsXY()
            }
            rvals.append(f)
        return rvals

 注意，基於特徵標記的演算法對於傾斜的臉效果不好，也可以引入 CNN。

人臉轉換

人臉轉換的基本原理是什麼? 假設讓你盯著一個人的視訊連續看上 100 個小時，接著又給你看一眼另外一個人的照片，接著讓你憑著記憶畫出來剛才 的照片，你一定畫的會很像第一個人的。

我們使用的模型是 Autoencoder。有趣的是，這個模型所做的是基於原始的圖片再次生成原始的圖片。Autoencoder 的編碼器把圖片進行壓縮，而解 碼器把圖片進行還原，一個示例如下圖:

(來源: Building Autoencoders in Keras ) 

在這個基礎上，即使我們輸入的是另外一個人臉，也會被 Autoencoder 編碼成為一個類似原來的臉。

為了提升我們最終的效果，我們還需要把人臉共性相關的屬性和人臉特性相關的屬性進行學習。因此，我們對所有的臉都用一個統一的編碼器，這 個編碼器的目的是學習人臉共性的地方;然後，我們對每個臉有一個單獨的解碼器，這個解碼器是為了學習人臉個性的地方。這樣當你用 B 的臉通過 編碼器，再使用 A 的解碼器的話，你會得到一個與 B 的表情一致，但是 A 的臉。

這個過程用公式表示如下:

X' = Decoder(Encoder(Shuffle(X)))
Loss = L1Loss(X'-X)

A' = Decoder_A(Encoder(Shuffle(A)))
Loss_A = L1Loss(A'-A)

B' = Decoder_B(Encoder(Shuffle(B)))
Loss_B = L1Loss(B'-B)

具體來說，在訓練過程中，我們輸入 A 的圖片，通過編碼器和解碼器還原 A 的臉;然後我們輸入 B 的圖片，通過相同的編碼器但是不同的解碼器還原 B 的臉。不斷迭代這個過程，直到 loss 降低到一個閾值。在模型訓練的時候，我建議把 loss 降低到 0.02，這樣的效果會比較好。

這裡用的是比較標準的建模方式。值得注意的是，作者通過加入 PixelShuffler() 的函式把影象進行了一定的扭曲，而這個扭曲增加了學習的難度，反 而讓模型能夠實現最終的效果。仔細想想這背後的道理，如果你一直在做簡單的題目，那麼必然不會有什麼解決難題的能力。但是，我只要把題目 做一些變體，就足以讓你成⻓。

因為在建模中使用的是原圖 A 的扭曲來還原 A，應用中是用 B 來還原 A，所以扭曲的方式會極大的影響到最終的結果。因此，如何選擇更好的扭曲方 式，也是一個重要的問題。

當我們圖片融合的時候，會有一個難題，如何又保證效果又防止圖片抖動。於是我們還要引入相關的演算法處理這些情況。於是我們可以知道，一個 看似直接的人臉轉換演算法在實際操作中需要考慮各種各樣的特殊情況，這才是真真的接地氣。

train.py

以下是進行訓練的演算法邏輯：

import cv2 # 開源的計算機視覺庫
import numpy # 提供科學計算相關的功能
import time # 提供時間相關的功能

import threading # 提供多執行緒相關的功能
from lib.utils import get_image_paths, get_folder # 得到一個目錄下的圖片；獲得一個folder，不存在則建立
from lib.cli import FullPaths, argparse, os, sys
from plugins.PluginLoader import PluginLoader # 載入對應的演算法

tf = None
set_session = None
def import_tensorflow_keras(): # 在需要的時候載入TensorFlow和keras模組
    ''' Import the TensorFlow and keras set_session modules only when they are required '''
    global tf
    global set_session
    if tf is None or set_session is None:
        import tensorflow
        import keras.backend.tensorflow_backend # keras依賴底層的tensorflow實現具體的運算
        tf = tensorflow
        set_session = keras.backend.tensorflow_backend.set_session

class TrainingProcessor(object): # 訓練器
    arguments = None

    def __init__(self, subparser, command, description='default'): # 初始化訓練器
        self.argument_list = self.get_argument_list()
        self.optional_arguments = self.get_optional_arguments()
        self.parse_arguments(description, subparser, command)
        self.lock = threading.Lock()

    def process_arguments(self, arguments):
        self.arguments = arguments
        print("Model A Directory: {}".format(self.arguments.input_A))
        print("Model B Directory: {}".format(self.arguments.input_B))
        print("Training data directory: {}".format(self.arguments.model_dir))

        self.process()

 # 引數配置部分省略

    @staticmethod
    def get_optional_arguments(): # 建立一個存放引數的陣列
        ''' Put the arguments in a list so that they are accessible from both argparse and gui '''
        # Override this for custom arguments
        argument_list = []
        return argument_list

    def parse_arguments(self, description, subparser, command):
        parser = subparser.add_parser(
            command,
            help="This command trains the model for the two faces A and B.",
            description=description,
            epilog="Questions and feedback: \
            https://github.com/deepfakes/faceswap-playground")

        for option in self.argument_list:
            args = option['opts']
            kwargs = {key: option[key] for key in option.keys() if key != 'opts'}
            parser.add_argument(*args, **kwargs)

        parser = self.add_optional_arguments(parser)
        parser.set_defaults(func=self.process_arguments)

    def add_optional_arguments(self, parser):
        for option in self.optional_arguments:
            args = option['opts']
            kwargs = {key: option[key] for key in option.keys() if key != 'opts'}
            parser.add_argument(*args, **kwargs)
        return parser

    def process(self): # 具體的執行
        self.stop = False
        self.save_now = False

        thr = threading.Thread(target=self.processThread, args=(), kwargs={}) # 執行緒執行
        thr.start()

        if self.arguments.preview:
            print('Using live preview')
            while True:
                try:
                    with self.lock:
                        for name, image in self.preview_buffer.items():
                            cv2.imshow(name, image)

                    key = cv2.waitKey(1000)
                    if key == ord('\n') or key == ord('\r'):
                        break
                    if key == ord('s'):
                        self.save_now = True
                except KeyboardInterrupt:
                    break
        else:
            try:
                input() # TODO how to catch a specific key instead of Enter?
                # there isnt a good multiplatform solution: https://stackoverflow.com/questions/3523174/raw-input-in-python-without-pressing-enter
            except KeyboardInterrupt:
                pass

        print("Exit requested! The trainer will complete its current cycle, save the models and quit (it can take up a couple of seconds depending on your training speed). If you want to kill it now, press Ctrl + c")
        self.stop = True
        thr.join() # waits until thread finishes

    def processThread(self):
        try:
            if self.arguments.allow_growth:
                self.set_tf_allow_growth()

            print('Loading data, this may take a while...') # 載入資料
            # this is so that you can enter case insensitive values for trainer
            trainer = self.arguments.trainer
            trainer = "LowMem" if trainer.lower() == "lowmem" else trainer
            model = PluginLoader.get_model(trainer)(get_folder(self.arguments.model_dir), self.arguments.gpus) # 讀取模型
            model.load(swapped=False)

            images_A = get_image_paths(self.arguments.input_A) # 圖片A
            images_B = get_image_paths(self.arguments.input_B) # 圖片B
            trainer = PluginLoader.get_trainer(trainer) # 建立訓練器
            trainer = trainer(model, images_A, images_B, self.arguments.batch_size, self.arguments.perceptual_loss) # 設定訓練器引數

            print('Starting. Press "Enter" to stop training and save model')

            for epoch in range(0, self.arguments.epochs):

                save_iteration = epoch % self.arguments.save_interval == 0

                trainer.train_one_step(epoch, self.show if (save_iteration or self.save_now) else None) # 進行一步訓練

                if save_iteration:
                    model.save_weights()

                if self.stop:
                    break

                if self.save_now:
                    model.save_weights()
                    self.save_now = False

            model.save_weights()
            exit(0)
        except KeyboardInterrupt:
            try:
                model.save_weights()
            except KeyboardInterrupt:
                print('Saving model weights has been cancelled!')
            exit(0)
        except Exception as e:
            raise e
            exit(1)

    def set_tf_allow_growth(self):
        import_tensorflow_keras()
        config = tf.ConfigProto()
        config.gpu_options.allow_growth = True
        config.gpu_options.visible_device_list="0"
        set_session(tf.Session(config=config))

    preview_buffer = {}

    def show(self, image, name=''): # 提供預覽
        try:
            if self.arguments.redirect_gui:
                scriptpath = os.path.realpath(os.path.dirname(sys.argv[0]))
                img = '.gui_preview.png'
                imgfile = os.path.join(scriptpath, img)
                cv2.imwrite(imgfile, image)
            elif self.arguments.preview:
                with self.lock:
                    self.preview_buffer[name] = image
            elif self.arguments.write_image:
                cv2.imwrite('_sample_{}.jpg'.format(name), image)
        except Exception as e:
            print("could not preview sample")
            raise e

Trainer.py

以下實現了一次具體的訓練：

import time
import numpy
from lib.training_data import TrainingDataGenerator, stack_images

class Trainer():
    random_transform_args = { # 初始化引數
        'rotation_range': 10,
        'zoom_range': 0.05,
        'shift_range': 0.05,
        'random_flip': 0.4,
    }

    def __init__(self, model, fn_A, fn_B, batch_size, *args):
        self.batch_size = batch_size
        self.model = model

        generator = TrainingDataGenerator(self.random_transform_args, 160) # 讀取需要的資料
        self.images_A = generator.minibatchAB(fn_A, self.batch_size)
        self.images_B = generator.minibatchAB(fn_B, self.batch_size)

    def train_one_step(self, iter, viewer): # 訓練一步
        epoch, warped_A, target_A = next(self.images_A)
        epoch, warped_B, target_B = next(self.images_B)

        loss_A = self.model.autoencoder_A.train_on_batch(warped_A, target_A) # 計算損失
        loss_B = self.model.autoencoder_B.train_on_batch(warped_B, target_B)
        print("[{0}] [#{1:05d}] loss_A: {2:.5f}, loss_B: {3:.5f}".format(time.strftime("%H:%M:%S"), iter, loss_A, loss_B),
            end='\r')

        if viewer is not None:
            viewer(self.show_sample(target_A[0:14], target_B[0:14]), "training")

    def show_sample(self, test_A, test_B):
        figure_A = numpy.stack([
            test_A,
            self.model.autoencoder_A.predict(test_A),
            self.model.autoencoder_B.predict(test_A),
        ], axis=1)
        figure_B = numpy.stack([
            test_B,
            self.model.autoencoder_B.predict(test_B),
            self.model.autoencoder_A.predict(test_B),
        ], axis=1)

        if test_A.shape[0] % 2 == 1:
            figure_A = numpy.concatenate ([figure_A, numpy.expand_dims(figure_A[0],0) ])
            figure_B = numpy.concatenate ([figure_B, numpy.expand_dims(figure_B[0],0) ])

        figure = numpy.concatenate([figure_A, figure_B], axis=0)
        w = 4
        h = int( figure.shape[0] / w)
        figure = figure.reshape((w, h) + figure.shape[1:])
        figure = stack_images(figure)

        return numpy.clip(figure * 255, 0, 255).astype('uint8')

AutoEncoder.py

以下是我們使用的AutoEncoder的演算法邏輯：

# AutoEncoder的基礎類

import os, shutil

encoderH5 = 'encoder.h5'
decoder_AH5 = 'decoder_A.h5'
decoder_BH5 = 'decoder_B.h5'

class AutoEncoder:
    def __init__(self, model_dir, gpus):
        self.model_dir = model_dir
        self.gpus = gpus

        self.encoder = self.Encoder()
        self.decoder_A = self.Decoder()
        self.decoder_B = self.Decoder()

        self.initModel()

    def load(self, swapped):
        (face_A,face_B) = (decoder_AH5, decoder_BH5) if not swapped else (decoder_BH5, decoder_AH5)

        try: # 載入權重
            self.encoder.load_weights(str(self.model_dir / encoderH5))
            self.decoder_A.load_weights(str(self.model_dir / face_A))
            self.decoder_B.load_weights(str(self.model_dir / face_B))
            print('loaded model weights')
            return True
        except Exception as e:
            print('Failed loading existing training data.')
            print(e)
            return False

    def save_weights(self): # 儲存權重
        model_dir = str(self.model_dir)
        if os.path.isdir(model_dir + "_bk"):
            shutil.rmtree(model_dir + "_bk")
        shutil.move(model_dir,  model_dir + "_bk")
        os.mkdir(model_dir)
        self.encoder.save_weights(str(self.model_dir / encoderH5))
        self.decoder_A.save_weights(str(self.model_dir / decoder_AH5))
        self.decoder_B.save_weights(str(self.model_dir / decoder_BH5))
        print('saved model weights')

Model.py

以下是我們的具體模型：

# Based on the original https://www.reddit.com/r/deepfakes/ code sample + contribs

from keras.models import Model as KerasModel
from keras.layers import Input, Dense, Flatten, Reshape
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import Conv2D
from keras.optimizers import Adam

from .AutoEncoder import AutoEncoder
from lib.PixelShuffler import PixelShuffler

from keras.utils import multi_gpu_model

IMAGE_SHAPE = (64, 64, 3)
ENCODER_DIM = 1024

class Model(AutoEncoder):
    def initModel(self):
        optimizer = Adam(lr=5e-5, beta_1=0.5, beta_2=0.999)  # 深入理解Adam的優化
        x = Input(shape=IMAGE_SHAPE)

        self.autoencoder_A = KerasModel(x, self.decoder_A(self.encoder(x)))
        self.autoencoder_B = KerasModel(x, self.decoder_B(self.encoder(x)))

        if self.gpus > 1:
            self.autoencoder_A = multi_gpu_model( self.autoencoder_A , self.gpus)
            self.autoencoder_B = multi_gpu_model( self.autoencoder_B , self.gpus)

        self.autoencoder_A.compile(optimizer=optimizer, loss='mean_absolute_error')
        self.autoencoder_B.compile(optimizer=optimizer, loss='mean_absolute_error')

    def converter(self, swap):
        autoencoder = self.autoencoder_B if not swap else self.autoencoder_A
        return lambda img: autoencoder.predict(img)

    def conv(self, filters):
        def block(x):
            x = Conv2D(filters, kernel_size=5, strides=2, padding='same')(x)
            x = LeakyReLU(0.1)(x)
            return x
        return block

    def upscale(self, filters):
        def block(x):
            x = Conv2D(filters * 4, kernel_size=3, padding='same')(x)
            x = LeakyReLU(0.1)(x) # 使用 LeakyReLU 啟用函式
            x = PixelShuffler()(x) # 將filter的大小變為原來的1/4，讓高和寬變為原來的兩倍
            return x
        return block

    def Encoder(self):
        input_ = Input(shape=IMAGE_SHAPE)
        x = input_
        x = self.conv(128)(x)
        x = self.conv(256)(x)
        x = self.conv(512)(x)
        x = self.conv(1024)(x)
        x = Dense(ENCODER_DIM)(Flatten()(x))
        x = Dense(4 * 4 * 1024)(x)
        x = Reshape((4, 4, 1024))(x)
        x = self.upscale(512)(x)
        return KerasModel(input_, x)

    def Decoder(self):
        input_ = Input(shape=(8, 8, 512))
        x = input_
        x = self.upscale(256)(x)
        x = self.upscale(128)(x)
        x = self.upscale(64)(x)
        x = Conv2D(3, kernel_size=5, padding='same', activation='sigmoid')(x)
        return KerasModel(input_, x)

整個網路的結構如下：

 來源: 刷爆朋友圈的視訊人物換臉是怎樣煉成的?

我們可以看出來，經歷了四個卷積層、展開層、全連線層，我們開始 upscale 整個模型。在我們 upscale 一半的時候，我們把 encoder 和 decoder 進行了切割，從而保證了共性和個性的分離。

convert.py

在訓練的基礎上，我們現在可以進行圖片的轉換了。

import cv2
import re
import os

from pathlib import Path
from tqdm import tqdm

from lib.cli import DirectoryProcessor, FullPaths
from lib.utils import BackgroundGenerator, get_folder, get_image_paths, rotate_image

from plugins.PluginLoader import PluginLoader

class ConvertImage(DirectoryProcessor):
    filename = ''
    def create_parser(self, subparser, command, description):
        self.optional_arguments = self.get_optional_arguments()
        self.parser = subparser.add_parser(
            command,
            help="Convert a source image to a new one with the face swapped.",
            description=description,
            epilog="Questions and feedback: \
            https://github.com/deepfakes/faceswap-playground"
        )
 
 # 引數配置部分省略

    def process(self): # 進行模型的轉換和拼接
        # Original & LowMem models go with Adjust or Masked converter
        # Note: GAN prediction outputs a mask + an image, while other predicts only an image
        model_name = self.arguments.trainer
        conv_name = self.arguments.converter
        self.input_aligned_dir = None

        model = PluginLoader.get_model(model_name)(get_folder(self.arguments.model_dir), self.arguments.gpus)
        if not model.load(self.arguments.swap_model):
            print('Model Not Found! A valid model must be provided to continue!')
            exit(1)

        input_aligned_dir = Path(self.arguments.input_dir)/Path('aligned')
        if self.arguments.input_aligned_dir is not None:
            input_aligned_dir = self.arguments.input_aligned_dir
        try:
            self.input_aligned_dir = [Path(path) for path in get_image_paths(input_aligned_dir)]
            if len(self.input_aligned_dir) == 0:
                print('Aligned directory is empty, no faces will be converted!')
            elif len(self.input_aligned_dir) <= len(self.input_dir)/3:
                print('Aligned directory contains an amount of images much less than the input, are you sure this is the right directory?')
        except:
            print('Aligned directory not found. All faces listed in the alignments file will be converted.')

        converter = PluginLoader.get_converter(conv_name)(model.converter(False),
            trainer=self.arguments.trainer,
            blur_size=self.arguments.blur_size,
            seamless_clone=self.arguments.seamless_clone,
            sharpen_image=self.arguments.sharpen_image,
            mask_type=self.arguments.mask_type,
            erosion_kernel_size=self.arguments.erosion_kernel_size,
            match_histogram=self.arguments.match_histogram,
            smooth_mask=self.arguments.smooth_mask,
            avg_color_adjust=self.arguments.avg_color_adjust
        )

        batch = BackgroundGenerator(self.prepare_images(), 1)

        # frame ranges stuff...
        self.frame_ranges = None

        # split out the frame ranges and parse out "min" and "max" values
        minmax = {
            "min": 0, # never any frames less than 0
            "max": float("inf")
        }

        if self.arguments.frame_ranges:
            self.frame_ranges = [tuple(map(lambda q: minmax[q] if q in minmax.keys() else int(q), v.split("-"))) for v in self.arguments.frame_ranges]

        # last number regex. I know regex is hacky, but its reliablyhacky(tm).
        self.imageidxre = re.compile(r'(\d+)(?!.*\d)')

        for item in batch.iterator():
            self.convert(converter, item)

    def check_skipframe(self, filename):
        try:
            idx = int(self.imageidxre.findall(filename)[0])
            return not any(map(lambda b: b[0]<=idx<=b[1], self.frame_ranges))
        except:
            return False

    def check_skipface(self, filename, face_idx):
        aligned_face_name = '{}_{}{}'.format(Path(filename).stem, face_idx, Path(filename).suffix)
        aligned_face_file = Path(self.arguments.input_aligned_dir) / Path(aligned_face_name)
        # TODO: Remove this temporary fix for backwards compatibility of filenames
        bk_compat_aligned_face_name = '{}{}{}'.format(Path(filename).stem, face_idx, Path(filename).suffix)
        bk_compat_aligned_face_file = Path(self.arguments.input_aligned_dir) / Path(bk_compat_aligned_face_name)
        return aligned_face_file not in self.input_aligned_dir and bk_compat_aligned_face_file not in self.input_aligned_dir

    def convert(self, converter, item):
        try:
            (filename, image, faces) = item

            skip = self.check_skipframe(filename)
            if self.arguments.discard_frames and skip:
                return

            if not skip: # process frame as normal
                for idx, face in faces:
                    if self.input_aligned_dir is not None and self.check_skipface(filename, idx):
                        print ('face {} for frame {} was deleted, skipping'.format(idx, os.path.basename(filename)))
                        continue
                    # Check for image rotations and rotate before mapping face
                    if face.r != 0:
                        height, width = image.shape[:2]
                        image = rotate_image(image, face.r)
                        image = converter.patch_image(image, face, 64 if "128" not in self.arguments.trainer else 128)
                        # TODO: This switch between 64 and 128 is a hack for now. We should have a separate cli option for size
                        image = rotate_image(image, face.r * -1, rotated_width=width, rotated_height=height)
                    else:
                        image = converter.patch_image(image, face, 64 if "128" not in self.arguments.trainer else 128)
                        # TODO: This switch between 64 and 128 is a hack for now. We should have a separate cli option for size

            output_file = get_folder(self.output_dir) / Path(filename).name
            cv2.imwrite(str(output_file), image)
        except Exception as e:
            print('Failed to convert image: {}. Reason: {}'.format(filename, e))

    def prepare_images(self):
        self.read_alignments()
        is_have_alignments = self.have_alignments()
        for filename in tqdm(self.read_directory()):
            image = cv2.imread(filename)

            if is_have_alignments:
                if self.have_face(filename):
                    faces = self.get_faces_alignments(filename, image)
                else:
                    tqdm.write ('no alignment found for {}, skipping'.format(os.path.basename(filename)))
                    continue
            else:
                faces = self.get_faces(image)
            yield filename, image, faces

當然我們也可以用 GAN 演算法進行優化，那麼讓我們看一下使用 GAN 的模型。

 (來源: shaoanlu/faceswap-GAN) 

如上圖所示，我們首先扣取 A 的人臉，然後進行變形，之後經歷編碼和解碼生成了重建的臉和 Mask。以下是我們的學習目標。

 (來源: shaoanlu/faceswap-GAN) 

從圖片到視訊

基於我們 FFmpeg 的講解，可以使用以下命令將一批圖片合併為一個視訊：

ffmpeg  -f image2 -i imagename%04d.jpg -vcodec libx264 -crf 15 -pix_fmt yuv420p output_filename.mp4

如果你希望新生成的視訊有聲音，那就可以在最後把有聲音的視訊中的聲音拼接到你最後產生的目標視訊上即可。

雲平臺部署

我們可以在 Google Cloud 中部署雲平臺。具體請看視訊展示，我在這裡展示幾個關鍵步驟：

 (來源: How to Create DeepFakes with Google Cloud GPU Services)

 (來源: How to Create DeepFakes with Google Cloud GPU Services)

 (來源: How to Create DeepFakes with Google Cloud GPU Services)

 (來源: How to Create DeepFakes with Google Cloud GPU Services) 

最後是我在 Google Cloud 上進行 Training 的一個截圖。

專案架構

最後讓我們從高層理解一下整個 DeepFake 專案的架構。

社會影響

我們已經聊了 Deepfake 的原理，那麼它到底有哪些真正的社會價值呢? 我們可以用任何人來拍攝一個電影，然後變成我們想要的任何人。我們可以 建立更加真實的虛擬人物。穿衣購物可以更加真人模擬。

總結

我們用到了如下的技術棧、框架、平臺：

• Dlib：基於 C++的機器學習演算法庫 OpenCV:計算機視覺演算法庫 Keras:在底層機器學習框架之上的高階 API 架構 TensorFlow:Google 開源的機器學習演算法框架 CUDA:Nvidia 提供的針對 GPU 加速的開發環境

• Google Cloud Platform:Google 提供的雲端計算服務平臺 Virtualenv:建立獨立的 Python 環境 FFmpeg:多媒體音視訊處理開源庫

• 現在就來上手，把你心愛的另一半的人臉搬上好萊塢吧。

完整程式碼請檢視：https://github.com/Fabsqrt/BitTigerLab/tree/master/DeepFake