商湯入局圍剿Deepfake:推出迄今最大人臉偽造檢測資料集
反deepfake陣營今日又有新成果,商湯入局,獻出迄今最大檢測資料集:
包含 60000個影片,共計 1760萬幀,是現有同類資料集的10倍。
deepfake進化了一版又一版,效果越來越逼真,門檻卻越來越低。
△施瓦辛格、比爾·哈德無痕換臉
不僅是明星們,連普通人都不禁瑟瑟發抖。
眼見亦不為實,難道就沒有什麼能制住AI換臉了?
其實,魔高一尺時,道也未曾停止修煉。並且,還要以彼之道,還施彼身。
現在,商湯就攜手新加坡南洋理工的研究人員們,推出了迄今為止最大的deepfake檢測資料集, DeeperForensics-1.0。
並且,更接近現實場景,更具多樣性、挑戰性。
資料、程式碼和預訓練模型,正在開源的路上。
DeeperForensics-1.0
在DeeperForensics-1.0的60000個影片中,有50000個是研究團隊收集的原始影片,剩下的10000則是他們造出來的“偽影片”。
資料集的打造,一共分為三步。
第一步,是 資料採集。
將真實影片中原本的人臉稱作目標人臉,被替換上去的人臉稱作源人臉,研究人員發現,在構建高質量資料集的過程中,源人臉比目標人臉起到了更為關鍵的作用。
源人臉的表情、姿勢和拍攝時的照明條件越豐富,人臉交換的可靠性就越高。
於是,研究人員僱傭了100位演員來參與人臉影片的錄製。他們分別來自26個不同的國家,其中有53名男性和47名女性,年齡範圍在20-45歲之間,四種膚色(白,黑,黃,棕)比例為1:1:1:1。
這些影片的錄製解析度為1920×1080。拍攝過程中,演員們被要求展示各種不同的表情:中立,憤怒,快樂,悲傷,驚訝,鄙視,厭惡,恐懼等。
臉部面對鏡頭的角度在-90°到90°之間變化。還設定了九種不同的照明效果。
第二步, 以假治假。
知己知彼,百戰不殆。
為了生成更真的假影片,研究人員提出了一種新的人臉交換框架:DeepFake變分自動編碼器(DeepFake Variational Auto-Encoder,DF-VAE)。
DF-VAE由三個模組組成:結構提取模組,解耦模組和融合模組。
在訓練中,透過提取標誌物、構造未配對的樣本作為條件,重構源人臉和目標人臉。
重構後,最小化光流差異來改善時間連續性。
而MAdalN模組,負責會將重現的面孔與原始背景融合到一起。
第三步,是進一步提升難度, 加入擾動模擬真實場景中的影片。
具體而言,就是在影片中加入色彩飽和度變化、區域性影像塊失真、色彩對比變化、高斯模糊、色彩分量中的高斯白噪聲、JPEG壓縮和影片壓縮率變化這七種失真。
為了評估DeeperForensics-1.0的質量,研究人員邀請了100位計算機視覺專家對其進行評分。
根據反饋,專家們認為,與FaceForensics++、Celeb-DF等流行的Deepfake檢測資料集相比,DeeperForensics-1.0更加真實。
阻擊Deepfake
假影片越演越真,引發了廣泛的擔憂。
以AI治AI的行動,也早已展開。
此前,Facebook就壕擲千萬,舉辦換臉影片檢測挑戰賽。
UC伯克利EECS教授Hany Farid評價說:
為了從資訊時代走向知識時代,我們必須更好的辨明真偽,獎真懲假,教育下一代成為更好的數字公民。這需要全面的投資,需要工業界、學界、非政府組織一同努力研究,發展和實施能快速精準辨別真偽的技術。
美國初創公司Truepic,則以打擊AI造假照片、影片為核心業務,在2019年7月籌集了800萬美元(約合5680萬人民幣)資金。
國內,2019年11月底印發的《網路音影片資訊服務管理規定》,則可視作針對AI造假影片的一次針對性管控。
這項規定已於1月1日正式施行。
傳送門
專案地址:
論文地址:
VB報導:
— 完 —
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69946223/viewspace-2673713/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 為Deepfake檢測研究提供資料支援
- 【人臉偽造檢測後門攻擊】Imperceptible Face Forgery Attack via Adversarial Semantic Mask
- 如何用 Python 檢測偽造的視訊Python
- 目標檢測資料集分析
- 「專利解密」商湯科技:AI加持人臉識別解密AI
- 如何使用DeepFake實現影片換臉
- Google 亮劍:釋出 Deepfake 資料集,對抗 AI 造假GoAI
- 騰訊遊戲擴大人臉識別應用範圍 未成年人保護進入3.0階段遊戲
- 人臉檢測識別,人臉檢測,人臉識別,離線檢測,C#原始碼C#原始碼
- 人臉口罩檢測(含執行程式碼+資料集)Pytorch+TensorRT+Xavier NX行程PyTorch
- 如何使用DeepFake實現視訊換臉
- OpenCV檢測篇(一)——貓臉檢測OpenCV
- IOS人臉識別開發入門教程--人臉檢測篇iOS
- 黑人人臉檢測
- 人臉檢測 二
- [計算機視覺]人臉應用:人臉檢測、人臉對比、五官檢測、眨眼檢測、活體檢測、疲勞檢測計算機視覺
- win10 下的YOLOv3 訓練 wider_face 資料集檢測人臉Win10YOLOIDE
- HOG_SVM_行人檢測資料集合_INRIA資料集HOG
- SAR目標檢測資料集彙總
- 人臉檢測的harr檢測函式函式
- 強大人臉檢測系統MTCNN可攻破?華為提出一種可複製、可靠的攻擊方法CNN
- 綜述:微軟的Linux圍剿戰(轉)微軟Linux
- 【資料集】Maple-IDS——網路安全惡意流量檢測資料集
- 人臉活體檢測
- 前端人臉檢測指南前端
- 騰訊優圖開源人臉檢測演算法DSFD,重新整理兩項資料集紀錄演算法
- 目前最強效能的人臉檢測演算法(Wider Face Dataset)演算法IDE
- 偽AP檢測技術研究
- 偽造基於ASSM表空間的資料塊SSM
- 目標檢測資料集,全部有標註
- opencv視訊人臉檢測OpenCV
- OpenCV 人臉檢測自學(3)OpenCV
- 重磅!目前最強效能的人臉檢測演算法(Wider Face Dataset)演算法IDE
- 人臉識別資料集和特點
- 中國手機市場現狀:華為小米OV圍剿蘋果 錘子等小廠商崩盤蘋果
- 記一次COOKIE的偽造登入Cookie
- 最強資料集集合:50個最佳機器學習公共資料集機器學習
- 人臉識別之人臉檢測的重要性