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 —