这到底是什么神奇操作? 又运用了什么样的智能技术?

前段时间，一个叫做“将朱茵的黄蓉换成杨幂的脸”的热门话题在微博上爆火。原以为又是一波P图热潮引发的粉丝狂欢，没想到小智在浏览具体内容之后发现：这次换脸的形式不是图片，而是视频.

一位B站UP主用AI技术，将杨幂的脸“贴”在了朱茵饰演的黄蓉脸上。

说实话，看到视频和gif的小智真的被惊到了。

一方面，大幂幂的颜+朱茵的演技，这真的是神仙搭配呀！

另一方面, 不同于传统观念里恶搞视频的“五毛特效”,这次的特效视频根本看不出P图痕迹, 真实得宛如原作.

这到底是什么神奇操作? 又运用了什么样的智能技术? 小智立刻展开了调查。

Deepfake技术

原来，这种神奇的换脸效果使用的是一种叫做Deepfake的人工智能技术.

什么是Deepfake？

Deepfake一词由“Deep learning”(深度学习)和“Fake”(假)组成, 其含义是在图像或视频中把一个人的脸替换成另一个人的脸. 这项技术的出现可以说是人脸交换技术的一个重要突破.

Deepfake中文网站

几年前的Deepfake技术并没有像现在这样广泛的获取渠道, 技术门槛也比较高。后来, 有人推出了Windows程序FakeApp, 即使是对人工智能或是对视频剪辑一窍不通的外行, 只需要一个GPU和一些训练数据, 再通过按部就班的操作也能制作出换脸视频.

同时，Deepfake在GitHub 上也已经开源，这一系列的变化都大大降低了Deepfake的获取门槛。

技术原理

从技术角度而言，Deepfake是深度图像生成模型的一次成功应用。

在模型训练期间，先把目标人物A的脸抠出来，定位好A的五官位置，训练出一个“无论怎么扭曲和变化A的脸，最后都能生成正常的A脸”的网络。

五官定位示意图

网络训练好后，我们再向其中输入B的脸。此时，在神经网络的逻辑看来，B的脸就是“以某种方式扭曲的A的脸”，需要它来进行“纠正”。并且数据越多，效果越好。

操作流程

在FakeApp上的具体的操作大体分为3个步骤：原始数据集获取，模型训练，视频生成。

首先，我们需要一个包含Nvidia GPU的个人电脑，至少4GB的存储空间。至于训练神经网络所需的材料，用户则需要提供至少几百张照片或者时长足够的视频，以便FakeApp从视频中提取所有帧。然后调整合适的参数，就可以开始训练了。

图片或视频上传操作

在训练过程中，FakeApp会显示一个分数，数值越大则表示训练结果的偏差越大。当这个值低于0.02时效果通常就OK了，此时可以停止训练程序。这一过程需要的总时长从十几到几十小时不等。

最后选择上面训练好的模型和需要的换脸视频，再设置合适的帧率，就可以得到一段自制Deepfake视频。

关键机制

其实AI换脸也不算是新鲜事，不过早期的换脸效果确实差强人意。

你看得出换上的是谁的脸吗？

那使用Deepfake生成的人脸为何如此逼真？

这很大程度上归功于一种叫做GAN（生成式对抗网络）的关键机制。

在GAN中有两个机器学习模型, 一个扮演“造假者”, 在数据集上训练后生成假视频;另一个则扮演“检测者”, 不断地检测这些假视频, 一直到它再也不能检测出结果是假的.

此外，用于训练的数据集越大，做出的Deepfake视频越真实。这也是为什么我们看到的Deepfake视频中出现的人物几乎都是著名的政客和明星——他们有太多的公开视频素材可供训练了。

尼古拉斯·凯奇：作品太多怪我咯？

全网热议

AI换脸的话题引发了众多网友的热议。吃瓜群众们表示，这下“P图宝贝”们可以名正言顺地换脸，假装自己在演戏了。

还有群众表示，“最强狗仔”卓伟就要失业了，以后明星的八卦视频都可以直接甩锅给“恶意换脸”，再也不用承认了。

对于影视从业者来说，这也是个好消息。因为以现在的技术，一些大型数字特效公司想要将一位演员的面容“移植”到另一个身体上，至少需要几个月的时间。特效公司工业光魔的首席运营官约翰·诺尔表示，如果这项技术能达到令人满意的视觉效果，同时能大幅度提高制作效率、节省成本，那他们会很乐于尝试。

《速度与激情7》中使用特效“复活”了保罗·沃克

当然，也有不少网友对这一技术表示了担忧

同样感到担忧的还有政界人物。美国总统大选佛罗里达州候选人卢比奥曾表示：过去想要威胁美国，可能需要航母、核武器，还有洲际导弹。现在只需要登录互联网系统、银行系统、电网，甚至只要弄出一段足以以假乱真的虚假视频搞乱选举，就足以让美国陷入内乱。

莫慌，造假有破绽

这些担忧不无道理。

你永远不知道最厉害的技术会落到什么人的手里，况且这还是已经开源了的技术。

为了防范Deepfake背后的社会安全隐患，纽约大学的研究人员研究后发现：在Deepfake生成的虚假视频中，人物的头部动作和瞳孔颜色通常会很怪异，并且几乎不怎么眨眼。这成了目前Deepfake无法逃脱的bug。

观察原视频和造假视频对应的关键帧，可以看出，假脸人物在原视频的眨眼处并没有眨眼

据了解，这一bug并非来自算法本身的问题，而是它使用的数据集。

当训练深层神经网络时，我们使用的是来自网络的静态图像。即便是像尼古拉斯·凯奇这样的公众人物，他的大多数照片也都是睁着眼睛的，一般很少有人会有大量的闭眼照。既然数据集中几乎没有眨眼图像，那么Deepfake就无法“学会眨眼”，或者眨眼的时长和频率都远小于正常人。

这样的进展，可以算是“魔高一尺，道高一丈”了。

科技时代，“技术造假”和“技术打假”必会进行旷日持久的战争。在鼓励研究人员找出“打假”方法的同时，小智觉得，我们还需要呼吁停止滥用技术以及传播相应的恶性作品。

毕竟, 科技的发展不仅需要顶尖科学家们的努力攻克, 还需要芸芸大众的共同维护.