根據一篇針對計算機生成的假臉假視頻DeepFake較為全面測評的論文，現有的先進人臉識別算法在面對計算機生成的假臉時基本束手無策，假臉生成算法和人臉識別軍備競賽已經開始。不過，目前還有些小技巧，可以幫你用肉眼來分辨計算機生成的假臉。

2015年，現任教皇方濟各 (Pope Francis) 訪美，他是首次對美國進行正式訪問的教皇，還將主持在美國領土上的首次封圣，并在國會發表演講。時任美國總統和副總統的奧巴馬及拜登，分別攜各自的夫人，一起在美國安德魯斯空軍基地 (Andrews Air Force Base，也是總統機隊“空軍一號”的駐地) 迎接了教皇專機的降臨。

訪問期間，方濟各“一個出人意料之舉”震驚了世界：只見他在向圣壇禮拜后，轉身順手將桌布一抽，上演了一出絕妙的“抽桌布”戲法，動作之行云流水，令人膜拜。

教皇竟然還會這一手！相關視頻很快就火遍了全美乃至全球。

2015年現任教皇訪美，上演絕妙“抽桌布”戲法，美國主教看后表示不爽。當然，這段視頻是假造的，但這并不影響其流行。

世人震驚之余，幾乎都沒有懷疑——這個視頻當然是假造的。

在“毫無PS痕跡”的說法還十分流行的2015年，這個“毫無PS痕跡”的視頻成了后來被稱為DeepFake視頻的始祖。

現如今，DeepFake已被用于指代所有看起來或聽起來像真的一樣的假視頻或假音頻。

日前，Idiap 生物識別安全和隱私小組負責人 (注：Idiap研究所是瑞士的一家半私人非營利性研究機構，隸屬于洛桑聯邦理工學院和日內瓦大學，進行語音、計算機視覺、信息檢索、生物認證、多模式交互和機器學習等領域的研究)、瑞士生物識別研究和測試中心主任 Sébastien Marcel 和他的同事、Idiap 研究所博士后 Pavel Korshunov 共同撰寫了論文，首次對人臉識別方法檢測 DeepFake 的效果進行了較為全面的測評。

他們經過一系列實驗發現，當前已有的先進人臉識別模型和檢測方法，在面對 DeepFake 時基本可以說是束手無策——性能最優的圖像分類模型 VGG 和基于 Facenet 的算法，分辨真假視頻錯誤率高達 95%；基于唇形的檢測方法，也基本檢測不出視頻中人物說話和口型是否一致。

Pavel Korshunov 和 Sébastien Marcel 指出，隨著換臉技術的不斷發展，更加逼真的 DeepFake 視頻，將對人臉識別技術構成更大的挑戰。

“在 DeepFake 方法和檢測算法之間的一場新的軍備競賽可能已經開始了。”

面對假臉生成算法，現有人臉識別系統幾乎束手無策

針對 Deepfake 視頻中人臉識別的漏洞，兩人在論文中對基于VGG和Facenet的人臉識別系統做了漏洞分析，還使用SVM方法評估了 DeepFake 的幾種檢測方法，包括嘴唇動作同步法和圖像質量指標檢測等。

結果令人遺憾——

無論是基于VGG還是基于Facenet的系統，都不能有效區分GAN生成假臉與原始人臉。而且，越先進的Facenet系統越容易受到攻擊。

VGG模型是2014年ILSVRC競賽的第二名，第一名是GoogLeNet。但是VGG模型在多個遷移學習任務中的表現要優于googLeNet。而且，從圖像中提取CNN特征，VGG模型是首選算法。它的缺點在于，參數量有140M之多，需要更大的存儲空間。但是這個模型很有研究價值。

Facenet該模型沒有用傳統的softmax的方式去進行分類學習，而是抽取其中某一層作為特征，學習一個從圖像到歐式空間的編碼方法，然后基于這個編碼再做人臉識別、人臉驗證和人臉聚類等。

直方圖顯示了基于VGG和Facenet的人臉識別在高質量人臉交換中的漏洞。

檢測Deepfake視頻

他們還考慮了幾種基線Deepfake檢測系統，包括使用視聽數據檢測唇動和語音之間不一致的系統，以及幾種單獨基于圖像的系統變體。這種系統的各個階段包括從視頻和音頻模態中提取特征，處理這些特征，然后訓練兩個分類器，將篡改的視頻與真實視頻分開。

所有檢測系統的檢測結果如下表所示。

說明一下表格中各種“符號”和數字的意思，你也可以直接跳過看本節最后結論：

在本系統中，使用MFCCs作為語音特征，以mouth landmarks之間的距離作為視覺特征。將主成分分析(PCA)應用于聯合音視頻特征，降低特征塊的維數，訓練長短期記憶(long short-term memory, LSTM)網絡，將篡改和非篡改視頻進行分離。

作為基于圖像的系統，實現了以下功能:

Pixels+PCA+LDA：使用PCA-LDA分類器將原始人臉作為特征，保留99%的方差，得到446維變換矩陣。

IQM+PCA+LDA：IQM特征與PCA-LDA分類器結合，具有95％保留方差，導致2維變換矩陣。

IQM + SVM：具有SVM分類器的IQM功能，每個視頻具有20幀的平均分數。

基于圖像質量測度(IQM)的系統借鑒了表示域(domain of presentation)的攻擊檢測，表現出了較好的性能。作為IQM特征向量，使用129個圖像質量度量，其中包括信噪比，鏡面反射率，模糊度等測量。

下圖為兩種不同換臉版本中性能最好的IQM+SVM系統的檢測誤差權衡(DET)曲線。

IQM + SVM Deepfake檢測

結果表明：

首先，基于唇部同步的算法不能檢測人臉交換，因為GAN能夠生成與語音匹配的高質量面部表情；因此，目前只有基于圖像的方法才能有效檢測Deepfake視頻。

其次，IQM+SVM系統對Deepfake視頻的檢測準確率較高，但使用HQ模型生成的視頻具有更大的挑戰性，這意味著越先進的人臉交換技術將愈發難以檢測。

假臉生成和真臉識別算法軍備競賽已經開始

之前，大多數研究都集中在如何提高“換臉”技術上，為了響應公眾對檢測”換臉“技術的需求，越來越多的研究人員開始研究數據庫和檢測方法，包括使用較舊的換臉方法Face2Face 生成的圖像和視頻數據，或使用Snapchat應用程序收集的視頻。

在Pavel Korshunov和Sébastien Marcel寫的這篇最新論文中，作者提供了首個使用基于開源GAN方法進行換臉的開源視頻數據庫。

他們從公開的VidTIMIT數據庫中，手動選擇了16對長相類似的人，將這32個目標都訓練兩種不同的模型，分別為低質量 (LQ) 模型，輸入/輸出大小為64×64，以及高質量 (HQ) 模型，輸入/輸出大小為128×128尺寸的模型（參見圖1）。

圖1：來自VidTIMIT數據庫原始視頻，以及低質量（LQ）和高質量（HQ）Deepfake視頻的屏幕截圖

為了讓其他研究人員能夠對其成果進行驗證、復制和擴展，作者還提供了他們在研究中使用的Deepfake視頻數據庫、人臉識別系統和Deepfake檢測系統，并將相應的分數一起以Python開源包的形式放出。

肉眼分辨計算機生成假臉的一些技巧

就在不久前，英偉達發表論文，展示了計算機生成的逼真到恐怖的人臉圖像。對于虛假視頻泛濫的網絡來說，這可能導致一場迫在眉睫的“真相危機”。

英偉達新一代GAN生成的人臉，全都是不存在的人

以下圖片是從Nvidia的最新論文中獲取的截圖。看看這份指南里是怎么說的吧。

不對稱的面部特征、配飾

上面的圖片有一堆可疑的線索。最簡單的就是，此人頭頂位置出現的大塊的怪異斑點。這種現象或像差在AI生成的圖像中很常見，與幾年前谷歌的DeepDream實驗的表現一致。

但是，當你環顧這個人的耳朵時，會發現圖像略微不對稱。一側頭發顯得模糊而且看上去很奇怪，且一只耳朵上沒有耳環。

算法不具備常識，并且不懂規則，比如不知道耳環一般要兩只耳朵都戴。因此，AI算法有時無法生成足夠真實的面部特征或首飾等。

牙齒

AI算法不知道正常人應該有多少顆牙以及這些牙齒的朝向。一般AI算法不會選擇多角度描繪出這些牙齒的樣貌，而是亂來一氣。圖中的虛假頭像的牙齒就是典型例子。

上面這張圖可能稍微難辨別一點，但如果你仔細看她的牙，會發現她中間第三顆牙異常地小，而且耳朵也非常不自然，所以這也是一張生成的假頭像。

衣服和背景

上邊圖中的女性的衣服明顯有問題，此外注意這張圖片的背景也很奇怪，此外右側的頭發和耳環部分都很不自然，而且耳環只有一只。

上圖中，人物的衣服實在太奇怪了，圖中左側的耳朵上并未戴耳環等配飾，但衣服上方卻出現了一個懸在空中的“不明裝飾物”，這種現象在AI生成的虛假圖像中也不少見。