前不久，社交媒體平臺上一款名為“螞蟻呀嘿”的特效火爆全網，許多網友都將自己的照片導入換臉軟件Avatarify中，照片便可以被算法驅動，生成一段表情夸張扭曲且跟著節奏晃動的換臉短視頻。

魔幻的特效讓這類的視頻迅速侵襲社交平臺，網友驚呼：簡直就像捅了螞蟻窩。

例如：馬云、馬化騰、馬斯克等大佬們，正在集體演唱神曲《螞蟻呀嘿》。

例如，李開復老師便友情上演了一首《Only You》。

這項技術可以完成在給定一張源圖片和一個目標動作視頻，將目標視頻的表情和動作遷移到源圖片上，使得源圖片中的人物做出目標視頻相同的表情動作。

Faceswap

這種換臉的算法，其實有很多。 例如 Faceswap 、DeepFaceLab、Faceswap-GAN 等等。 本文以 star 量最多的 Faceswap 為例，進行說明。

算法原理

Faceswap 是一個名為 deepfakes 的 Github 用戶開源的項目。 Deepfake 就是“Deep Machine Learning”（深度學習）和“Fake Photo”（假照片）組合而成的。 早期技術可以追溯到 2018 年，當時在構建模型的時候使用了 Encoder-Decoder 自編解碼架構。 而 Faceswap 算法，在此之上又引入 GAN（生成對抗網絡）技術，顯著提升了換臉的效果。 總體上，「Faceswap」換臉主要分為以下三個過程：

人臉檢測

特征提取

人臉轉換

人臉檢測 想要替換人臉，那首先得找到人臉的位置，這就需要用到人臉檢測算法。

Faceswap 算法采用了 SSD 這類比較成熟的檢測框架，同于提取面部圖像。 與傳統人臉檢測略有不同的，Faceswap 算法需要裁剪的人臉邊界框（bouding box, bbox）是正方形的，同時還會適當的向外擴充一些，以保證人臉都在 bbox 內。 特征提取 檢測到人臉后，需要提取人臉的特征。 首先要做的就是，人臉關鍵點檢測，也就是 landmark。

這些關鍵點，抽取了人臉的表情特征，同時大致描述了人臉的器官分布。 我們可以直接通過 dlib 和 OpenCV 等主流的工具包直接提取人臉的關鍵點。 當然，為了取得更好的定位精度，也可以使用 CNN 訓練一個人臉關鍵點檢測模型，簡單好用。 人臉轉換

人臉轉換的思想，就是采用自編碼器的原理。 簡單來講，就是將人臉圖像壓縮到短向量，再由短向量恢復到人臉圖像。這些短向量包含了人臉的主要信息，例如該向量的元素可能表示人臉膚色、眉毛位置、眼睛大小等等。

所以如果我們用某個編碼器學習所有人，那么它就能學習到人臉的共性；如果再用某個解碼器學習特定的某個人，那么就能學習到這個人的特性。 簡單而言，當我們用通用編碼器編碼人臉 A，再使用特定解碼器 B 解碼短向量，那么就能生成出擁有 A 的人臉表情，但卻是 B 人臉的圖像。 就好比，你擺出一個表情，我根據你睜眼的大小，嘴巴咧開的大小等面部特征，模仿出你的表情。 我們表情一樣，但長相不一樣。 人臉轉換，除了自編碼器的方法，還有一種 GAN 方法。 GAN 會利用提取的人臉特征點，使用生成器直接生成對應的目標人臉圖像，這跟 StyleGAN 人臉生成算法很類似，但不同的是需要生成指定表情的人臉。 在生成的圖片后，會接一個判別器，判斷圖片的逼真程度。

上述算法都是針對單張圖片而言的，對于視頻而言，就是多了一個視頻拆分成圖片，圖片拼接成視頻的過程。 DeepFakes 技術發展已久，2020 年有一篇發表的綜述論文，包含了各種 DeepFakes 算法的概述，想了解更多的讀者，可以去“啃”一下論文了。 論文地址： https://arxiv.org/pdf/2001.00179.pdf 預處理和后處理 大致思路就是這樣，里面還有很多細節，我們稱之為 Tricks ，這就需要通過閱讀源碼去學習了。 比如，在進行提取人臉特征之前，需要進行圖像的預處理。 對數據進行規范化（Normalization），使訓練的圖像的分布信息盡可能相近：

訓練的數據集是分為 A 數據集和 B 數據集的，如上圖，A 數據集為川普，B 數據集為凱奇。 我們可以將 A 數據集（川普）加上兩者數據集的平均差值（RGB三通道差值）來使兩個輸入圖像圖像的分布盡可以相近，這樣我們的損失函數曲線下降會更快些。 用代碼表示就是：

images_A+=images_B.mean(axis=(0,1,2))-images_A.mean(axis=(0,1,2))

最后我們再簡單解釋一下換臉的基本原理：提取兩個例子，分為A&B，進行以下三步：1.人臉偵測和識別。2.確定變換矩陣。3.人臉替換。對于視頻中的每一幀信息重復以上操作直至結束即可！