就算已经被全网封杀，给无数小电影换脸的Deepfakes也不会淡出人们的视线。

毕竟，它就像冬日里的阳光，给万千少年送去女神的温暖。

人类嘛，明知是换了脸，但只要看上去够自然，不影响视听享受，就不会有再多要求。

但是，AI看视频可不是为了痛快：比如在安防领域工作的人脸识别系统。

那么，人脸识别AI能看出哪些视频是Deepfakes生成的么？

瑞士Idiap研究所的科学家，用GAN给300多段视频换脸，然后测试了两套先进的人脸识别系统：一个基于VGG，一个基于Facenet。

结果发现，两只AI都分不清，哪些视频被换了脸。

换脸要自然

要考验人脸识别系统是否目光如炬，先要有一个优秀的数据集。

研究人员加工了公开的VidTIMIT视频数据集。VidTIMIT里面，每个主人公都有10段视频。

从数据集里选出了16对 (32位) 长相接近的主人公，把一个人 (A) 的脸部特征，用GAN换给同组的另一个人 (B) 。

就这样，生成了320段换脸视频。

然后，按照视频的分辨率分为高清 (HQ，128×128) 和低清 (LQ，64×64) ，就有了620段换脸视频 (不知为何少了20段)。

现在，换脸数据集已经可以下载了，叫DeepfakeTIMIT，传送门在文底。

人脸识别已阵亡

数据集有了，就要选择测试对象。

研究人员决定让两个开源的预训练模型接受测试：一个基于VGG，一个基于Facenet。

两个模型都是如今人脸识别领域的前沿。

95%分不清

考核标准是误识率 (FAR) ，指的是两段视频里的人物不同、却被AI判断为同人的概率 (越低越好) 。

第一步，给AI看没有换过脸的原始视频，计算出一个判别用的阈值 (Threshold) 。后面的测试里，如果置信分高于阈值，AI就判断为同人。

第二步，给AI看换脸视频，得出各自的误识率：

VGG (LQ) ：88.75%VGG (HQ) ：85.62%Facenet (LQ) ：94.38%Facenet (HQ) ：95.00%

误识率高，表示VGG和FaceNet都没有敏感地察觉视频被换了脸，还以为是同样的人。

对比一下，只投喂天然视频的时候，两个模型的误识率分别是0.00%和0.03%。可在投喂换脸视频之后，AI就被严重迷惑了。

所以团队觉得，在人脸识别系统之外，还需要另外的检测方法，来分辨Deepfake换脸视频。

另外的打假技巧

研究人员用的第一种方法是读唇 (Lip-Sync) ：

把嘴唇动作和视频里的原始音频做对比，如果发现明显不同步，就判断为换过脸。

但读唇法并没有明显的效果：

其他方法，就是单纯基于图像的了。

其中，表现最好的是把图像质量测量法 (Image Quality Measures) 和支持向量机 (Support Machine Vector) 结合在一起的方法：

IQM+SVM，高清测试的EER只有8.97%，低清测试的EER只有3.33%。这样看来，奏效的依然是基于图像的算法。

而为高清视频换脸，通常比低清视频更难识别。而换脸技术日新月异，今后的Deepfake视频，AI可能就更难察觉了。

辉煌与忧伤

让人类飘飘欲仙，也让人脸识别AI无动于衷，视频换脸果然是一门得天独厚的技能。

去年12月，一位用户名为deepfakes的伟人，把一段AI加工的小电影传上Reddit，原本动作片的女主角，换成了神奇女侠。没过多久，同名算法也开源了。

如今又到年关，世界各地的人类也在这技术的恩泽之下，幸福了一年。

虽然，Reddit讨论版不在了，GitHub开源代码没有了，PornHub也全面清除了用Deepfakes算法做的视频；

但那些已经用上了算法、或是用上了FakeApp傻瓜应用的人们，依然可以继续享用，也可能用自己的方式继续传播Deepfakes。或者，干脆开发新的换脸技能。

肖像权当然不容侵犯，但如果类似的技术只是自用而不传播，有Deepfakes的世界也可以很美好。

论文传送门：

https://arxiv.org/pdf/1812.08685.pdf

数据集下载：

https://www.idiap.ch/dataset/deepfaketimit

“