“一网打尽”Deepfake等换脸图像，微软提出升级版鉴别技术Face X-Ray

作者 | Just

出品 | AI科技大本营（ID:rgznai100）

Deepfake换脸图像的泛滥给人类社会带来了巨大的挑战。

虽然研究者们为检测换脸图片提出了多种AI鉴别算法，但随着换脸算法的不断改造升级，鉴别算法很难跟上换脸算法的变化。

微软亚洲研究院团队近期提出的Face X-Ray算法或将改变这种局面。微软亚洲研究院常务副院长郭百宁称，“Face X-Ray技术像医院的X光一样。它能鉴别图片真假，不但能告诉你图片有没有进行过换脸操作，而且还能告诉你换脸操作的边界在什么地方。”这篇论文已入选CVPR 2020。

传统的 AI 换脸一般分三步走：第一步检测目标图像的面部区域；第二步，利用 AI 换脸算法生成新的面部及一部分周围区域；第三步，将生成的新面部融合到原图像中，替换原图像中的面部。

此前的换脸鉴别方法主要从第二步入手，通过检测换脸过程中产生的瑕疵，确定图像的真伪，但是，这一瑕疵并不唯一确定，不同的换脸算法合成时造成的瑕疵大相径庭。

微软亚洲研究院的 Face X-Ray 换脸鉴别算法则主要针对换脸算法的第三步：图像融合过程。换脸的图像必然是至少两张图像叠加而成，而且可以确定合成图像的中间面部是来源于一张图像，面部周围来源于另外一张图像；研究员们还发现，每一张图像都有一个来自于硬件或软件的特殊噪声标记，这些噪声就像指纹一样独一无二。因此，Face X-Ray 通过确定图像是否包含两种不同的噪声，就能判定一张人脸图像为合成图像的几率。

此前业内的主流换脸鉴别算法是训练 AI 分类器，让 AI 模型去“学习”大量的换脸图像，从而具有初步的鉴别能力。“先搜集一大堆换过脸的照片，再搜集一堆真照片，然后用深度神经网络做训练。看完之后计算机就会学习，然后鉴别这张照片是否进行过换脸操作。”郭百宁解释。

但二分类方法的局限在于不具备通用性：只有换脸图像采用的是已知换脸算法，如 DeepFake、FaceSwap、Face2Face 等生成，才有可能达到较高的识别率（99%以上），因为 AI 模型就是通过大量学习这些算法生成的人脸图像去提升识别能力，一旦换脸图像采用了未知算法，其鉴别的识别率会大幅降低至70%。

同时，使用分类器方法的前提是一定要收集大量假图片才能进行训练，但“假图片”本身可能已经对社会造成了危害。

Face X-Ray则把换脸鉴别技术推到了更高层次。首先具有通用性，Face X-Ray背后的算法是“类自监督学习”的一种方法，“我们不需要这些（换脸图片）数据，也不用知道是哪个换脸算法，就能鉴别。”郭百宁称。Face X-Ray鉴别算法基于FaceForensics数据集进行了测试，测试的平均识别率达到95%以上。