2017 年底，國(guó)外論壇出現(xiàn)的一個(gè)ID 為“deepfakes”的用戶發(fā)布了通過(guò)機(jī)器學(xué)習(xí)來(lái)更換視頻人臉的人工智能算法，一腳踢開了人工智能換臉大門。不過(guò)當(dāng)時(shí)該技術(shù)的使用門檻還比較高，需要編譯代碼等操作。

而一個(gè)月后，有人將他公開的的算法加以改造推出簡(jiǎn)易版人工智能換臉工具“FakeApp”，這次，就算是普通用戶，也能夠順利操作。

隨著換臉技術(shù)的升級(jí)及相關(guān)應(yīng)用的開源，換臉用途也從最初的娛樂(lè)逐漸演變成犯罪工具，引發(fā)了人們?cè)絹?lái)越多對(duì)人工智能換臉的擔(dān)憂。

首先是對(duì)于信息的真實(shí)性形成嚴(yán)峻的挑戰(zhàn)。PS 發(fā)明后，有圖不再有真相；而人工智能換臉技術(shù)的出現(xiàn)，則讓圖像也開始變得鏡花水月了起來(lái)：這對(duì)于本來(lái)就假消息滿天飛的互聯(lián)網(wǎng)來(lái)說(shuō)，無(wú)疑會(huì)造成進(jìn)一步的信任崩壞。

其次，這會(huì)大大增加侵犯肖像權(quán)的可能，沒(méi)人愿意自己的臉龐出現(xiàn)在莫名其妙的視頻當(dāng)中，此前就有在某***網(wǎng)站上，某女星的臉被“安”在了***女主角臉上的報(bào)道，這將給女星的名譽(yù)帶來(lái)極大的負(fù)面影響。

鑒于這項(xiàng)技術(shù)所帶來(lái)的倫理問(wèn)題和潛在威脅，先進(jìn)的 DeepFake 檢測(cè)技術(shù)將非常重要。

在以前的研究中，DeepFake 視頻檢測(cè)主要專注于在具備強(qiáng)監(jiān)督標(biāo)注的情況下，如何較好地檢測(cè)到 DeepFake 圖像或者人臉。

現(xiàn)在，阿里安全圖靈實(shí)驗(yàn)室和中科院計(jì)算所合作完成的一項(xiàng)研究更加關(guān)注現(xiàn)實(shí)中廣泛存在的問(wèn)題：部分攻擊（篡改）的視頻，即視頻中只有部分人臉被篡改了。

具體來(lái)說(shuō)，該研究提出了基于多實(shí)例學(xué)習(xí)的 DeepFake 檢測(cè)框架，將人臉和輸入視頻分別當(dāng)作多實(shí)例學(xué)習(xí) （Multiple Instance Learning， MIL） 里的實(shí)例和包進(jìn)行檢測(cè)。

然而，傳統(tǒng)的多實(shí)例學(xué)習(xí)存在梯度消失問(wèn)題。為此，研究人員提出了 Sharp－MIL （S－MIL），將多個(gè)實(shí)例的聚合由輸出層提前到特征層，一方面使得聚合更加靈活，另一方面也利用偽造檢測(cè)的目標(biāo)函數(shù)直接指導(dǎo)實(shí)例級(jí)深度表征的學(xué)習(xí)，從而緩解傳統(tǒng)多實(shí)例學(xué)習(xí)面臨的梯度消失難題。該研究通過(guò)理論證明了 S－MIL 可以緩解傳統(tǒng) MIL 存在的梯度消失問(wèn)題。

研究人員表示，除了部分換臉檢測(cè)任務(wù)之外，該研究成果對(duì)于一般性的視頻多實(shí)例學(xué)習(xí)與標(biāo)注技術(shù)研究也具有重要的啟發(fā)意義，而人工智能換臉技術(shù)及其檢測(cè)技術(shù)也值得我們持續(xù)關(guān)注。
責(zé)編AJX