不存在的演算法合成人臉

⑴ 手機ai人臉合成視頻怎麼弄

手機下載ai人臉合成app，4.0.00版本增加了兩大功能：3D實時換臉和AI視頻換臉。

下載這個app直接打開，錄制就可以了，因為這款軟體自動提取人臉圖像，提取面部特徵，並將關鍵點放在適當的位置，生成平均或隨機合成，或手動設置每個面的特徵形狀百分比，合成製作出一張新的面孔進行視頻錄制。

真假臉怎麼辯？

盡管 StyleGAN 非常出色，且只看合成人臉很難相信它們都是偽造的，但是 StyleGAN 同樣也會留下一些偽造的痕跡，很多痕跡甚至是生成圖像的共性。

這些痕跡因圖像而異，並不是每一張圖像都有，也不是所有痕跡都比較明顯。但是了解這些技巧後，我們就能快速區分真假人臉，並達到很高的准確率。

水斑

我們並不確定以後的 GAN 是否也會出現這個問題，但是當前 StyleGAN 的一個顯著特點是：它有時會產生一些閃亮的斑點，這些斑點看起來有點像舊照片上的水斑。

這個特徵很容易幫助我們將其判斷為生成圖像，不過斑點可能會出現在圖像的任何地方，且在頭發和背景的交界處出現的頻率比較高。

背景問題

另一個判斷依據是出現在圖像背景里的各種錯誤，因為背景可能包含豐富的語義信息，只要語義信息不連貫，我們就能斷定它是假的。神經網路主要用來訓練生成面部，它對背景環境的注意力並沒有那麼多。

在最糟的情況下，可能生成的圖像如下第一張所示，旁邊的人非常奇怪。當然也可能如第二張生成一些混亂的形狀或立方體，如第三張生成完全不合理的背景。

眼鏡

到目前為止，生成對抗網路很難生成逼真的眼鏡。一個常見的問題是生成的眼鏡不對稱，我們只要看看眼鏡的框架結構就能識別出來。

很可能左邊的框架會採用一種風格，而右邊的框架又採用另一種風格；也可能框架的邊框產生扭曲或出現鋸齒。

其他不對稱

總的來說，對稱是人臉生成演算法面臨的一大挑戰。除了不對稱的眼鏡之外，還要注意左右兩邊臉毛、耳朵、首飾及衣物的不對稱。StyleGAN 表示：我容易么我。

⑵ 人臉識別怎麼實現

人臉識別的實現方法如下：

（1）參考模板法：首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉。

（2）人臉規則法：由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉。

（3）樣品學習法：這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器。

（4）膚色模型法：這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。

（5）特徵子臉法：這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子空間的投影之間的距離判斷是否存在面像。

⑶ 《螞蟻呀嘿》火了，背後的AI技術不止換臉這么簡單

作者|小葳

2月底，各種版本的《螞蟻呀嘿》在抖音刷屏。有網友說，「一打開抖音，好像捅了螞蟻窩。」

通過一款名為Avatarify 的APP，用戶只需上傳一張照片，即可讓照片主人做出各種想要的表情。截止發稿，《螞蟻呀嘿》在抖音有超過25萬個視頻，相關話題視頻播放量達到30億次。Avatarify曾在2 月 25 日問鼎國內App Store 應用免費榜榜首，隨後連續數天穩居總榜第一名。

相比ZAO火爆之後的3天後下架，Avatarify也逃不出換臉軟體的宿命，只有7天便在APP Store中國市場下架（目前國外還可以使用）。

Avatarify 由一個俄羅斯程序員開發，並放在GitHub上，最初是給Zoom、Skype等視頻會議「解悶」用的，比如可以在開視頻會議時把自己的臉換成馬斯克的臉，並實時互動。迄今為止這個項目已在 GitHub 上獲得了近 1.2 萬的 star 量。

幾個月後，Avatarify又推出了APP版（只有iOS版）。原理上，Avatarify藉助 deepfake 等技術，在想要交換的臉部圖像上對演算法進行訓練。通過在目標圖像的相似類別上訓練演算法，該模型支持實時換臉操作。

類似換臉軟體屢次被下架的背後還是隱私和信息安全問題。很多人都會擔心自己的人臉信息被泄露或濫用，然而我們卻不必對其背後的AI技術——深度合成一棒子打死。而且，目前深度合成在很多行業已經有了不少更有價值的應用。

深度合成首次被公眾關注是2017年11月，彼時美國新聞網站Reddit一個名為「deepfakes」的用戶上傳了一段合成後的色情視頻，將色情影片中演員的臉換成某明星的臉。此後，媒體開始用deepfake描述這種基於AI的視頻合成內容。不過因此也讓不少人誤認為，深度合成就是deepfake、換臉，實在是太冤了。

首先，deepfake是深度合成的子集。只不過，換臉是最早進入公眾視野，也是最為大眾熟知的一種深度合成應用。

深度合成（Deep Synthesis）的內涵非常廣泛，包括藉助人工智慧演算法實現語音、圖像、音頻、視頻、人臉等內容的合成與自動生成。其典型應用包括：人臉替換（換臉）、人臉再現（操縱目標對象的面部表情，比如讓他們說從未說過的話）、人臉合成（AI生產媲美真實的人臉圖像，事實上這張人臉並不存在）、語音合成、全身合成等等。

其次，deepfake頻頻導致的隱私安全和色情場景濫用問題，會讓人們對深度合成技術存在偏見和誤解，甚至認為AI偽造內容會沖擊 社會 信任等等。不過，隨著深度合成技術在更多領域的落地應用，公眾對深度合成技術的認識也愈加成熟。

深度合成背後的AI技術主要包括兩塊：自編碼器（autoencoders）和生成對抗網路（GAN, Generative Adversarial Networks ）。GAN由兩組相互對抗的人工神經網路組成，一個是生成器，一個是鑒別器，在無數次對抗中，生成器最終做到讓鑒別器不再能夠區分真實數據和合成數據，從而生成高度逼真的內容。

業界最先進的圖像生成器當屬英偉達的StyleGAN，已於2019年2月在Github上開源。

騰訊研究院、騰訊優圖實驗室發布的《AI生成內容發展報告2020——「深度合成」商業化元年》（以下簡稱報告）顯示，近幾年深度合成技術演進加快，並展現出幾個技術趨勢：

一、在單一的音頻、圖像合成之外，深度合成技術正向綜合性的方向發展。

二、面部而成之後，全身合成將成為新熱點。

三、2D合成之外，3D合成技術（尤其是虛擬數字人）將是下一階段的重點。

而且，隨著「深度合成」技術日趨成熟，其已經在多個領域實現落地應用，包括影視、 娛樂 、教育、醫療、電商、廣告營銷等領域。

在媒體行業，AI主播日益火熱。2018年，搜狗聯合新華社推出全球首個AI合成主播後，2020年，雙方又推出全球首個3D AI合成主播。3D AI合成主播基於超寫實3D數字人建模、多模態識別及生成、實時面部動作生成及驅動、遷移學習等多項人工智慧前沿技術，使機器可以基於輸入文本生成逼真度極高的3D數字人視頻內容，呈現和真人一樣的視頻播報。

此外，包括網路、京東、網易在內的互聯網巨頭先後推出虛擬數字人。網路智能雲推出的虛擬數字人，成為國內首個上崗的銀行「虛擬員工」。

在自動駕駛領域，深度合成被用於開發自動駕駛模擬系統（AADS），創造虛擬道路環境為自動駕駛系統提供訓練和測試。

在醫療領域，通過生成與真實醫學影像無異的醫學圖像訓練AI系統，可以解決醫療數據不足、病患隱私保護等問題。在NVIDIA與合作夥伴聯合發表的論文中，展示了利用GAN演算法合成帶有腫瘤的腦部核磁共振圖像的方法。在演算法訓練生成過程中，僅需投入10%的真實數據，AI診斷系統就可以檢測出真實影像中的腫瘤。

在廣告營銷領域，AI合成的人臉和虛擬形象可以替代真人模特參與營銷活動，而不會有人像版權問題。比如，Generated Photos 就是一個用AI自動生成人臉的網站，它的資料庫中有超過 10 萬張AI生成的人臉，對外提供免費下載使用，而且沒有版權問題。這些免費人臉圖片可以用在非常多的場景，比如廣告傳單、網站、PPT 簡報、問卷、用戶頭像等等。

深度合成被濫用是人工智慧治理的一個重要課題。

色情行業是新技術採用和普及的先鋒，AI技術也不例外。目前，色情產業是深度合成技術濫用的重災區。根據報告，2019年12月，全網共有14678個深度合成視頻，其中96%屬於色情性的深度合成視頻，主要存在於色情網站。

如何防止人們用深度合成技術作惡？多元治理是比較公認的思路，包括法律方案、技術方案、行業自律和公眾教育等各個方面。

法律方面，一些發達國家已經出台相關法案。但值得注意的是，並沒有「一刀切」禁止使用深度合成技術，而是禁止利用深度合成技術從事色情視頻合成、虛假新聞、干擾選舉等非法行為。比如美國國會《DeepFakes責任法案》等相關法案，只禁止政治干擾、色情報復、冒充身份等目的的深度合成，並要求製作者對深度合成內容添加水印等標記。

技術方面，鑒別技術和溯源技術是兩種主流的方法。但是在鑒別方面，沒有通用的視頻鑒別方案，需要針對每一種新興的合成技術訓練針對性的鑒別網路。

雖然目前深度合成內容的門檻已大幅降低，普通人也可以在智能手機等智能終端能上完成 娛樂 性的深度合成內容，但這類內容往往較容易識別。高質量、高模擬的深度合成內容仍需要專業工具和技能。所以，我們需要防範風險但無需恐慌。

AI就像人類的一個非常聰明的學生，TA只是飛快又忠實地學會人類教的東西。

正如報告中所說，「深度合成並非是關於『偽造』和『欺騙』的技術，而是極富創造力和突破性的技術。雖然它和其他技術一樣，也催生了一系列必須面對的難題，但這並不會磨滅這一技術給 社會 帶來的進步。」