不好意思了，一篇文章带了三个热点：朱茵、杨幂以及波多野结衣。
我就说吃瓜群众平常要多关注科技新闻，一个在科技界已经诞生了一年多的“老技术”Deepfake 居然因为“明星换脸”的视频火出了圈。
起因是这样的：一个热心网友运用 Deepfake 把《射雕英雄传》里黄蓉的脸由朱茵变成了杨幂，然后这个小视频就在网上火了，一些酸溜溜的评论就出来了：
呵，我们杨女士早就拿过国际影后了好吗。
言归正传，视频里换脸后人脸的轮廓、表情都一样，动起来的效果也很真实，几乎看不出破绽。高阶的换脸技术也引来了一些恐慌：“怎么实现的换脸？如果这一技术被用在其他地方，会怎么样？我会不会被别人假冒了都不知道？”
不用恐慌，因为早就发生了。
AI 换脸术诞生后，造出了无数假视频，并且还被用到了制作“不可描述”视频，各种“不可描述”视频被换上了好莱坞女星的脸，比如《神奇女侠》的女主角盖尔·加朵( Cal Gadot )的脸就被嫁接到一个成人电影女星的身上。
所以，在视频里化身波多野结衣也不是不可能？这种“想看谁演AV就看谁演AV”的技术好像还真有点危险，不过雷锋网作为一个优秀的科技媒体，已经报道了太多关于 Deepfake 的新闻，让我们回顾一下：
博客平台“medium”有位作者就描述了把尼古拉斯凯奇的脸，放在川普的头上的过程，最后效果如下↓↓↓
雷锋网发现，实现这个效果分三步：
1.收集凯奇的照片并选择要修改的视频区域。
由于只需换脸，所以第一步就是要识别图片上的脸部，找到要替换的位置，确定方向和大小。如下图，就像照片的像素一样，现在的人脸被分解为很多个像素，你要找出替换的像素区域。
2.使用方向梯度直方图（简称HOG）得到凯奇的脸部特征。
把梯度方向平均划分为多个区间，在每个单元里面对所有像素的梯度方向，在各个方向区间进行直方图统计，得到一个多维的特征向量，每相邻的单元构成一个区间，把一个区间内的特征向量联起来得到多维的特征向量，用区间对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了人脸的特征。
3.使用特征数据，训练一个自动编码器。
自动编码器是一种神经网络学习工具（深度学习背后的计算系统）。
通过在目标图片上训练模型，以保证即使输入的是一个不同的面孔，模型也会把它转换成原来的面孔。现在可以在目标视频中识别人脸（视频只是一堆图片），然后通过训练模型将川普转换为凯奇。
最后，合并图像，大功告成。
原文：除了一键生成明星色情片，“AI 换脸术”的应用场景还有很多
Deepfake 的整个流程包括三步，一是提取数据，二是训练，三是转换。其中第一和第三步都需要用到数据预处理，另外第三步还用到了图片融合技术。所以我在技术上主要分三个方面来剖析：图像预处理、网络模型、图像融合。
1. 图像预处理
从大图（或视频）中识别，并抠出人脸图像，原版用的是 dlib 中的人脸识别库（这个识别模块可替换），这个库不仅能定位人脸，而且还可以给出人脸的 36 个关键点坐标，根据这些坐标能计算人脸的角度，最终抠出来的人脸是摆正后的人脸。
2. 网络模型
Encoder: 64x64x3->8x8x512
x = input_
x = conv(128)(x)
x = conv(256)(x)
x = conv(512)(x)
x = conv(1024)(x)
x = Dense(ENCODER_DIM)(Flatten()(x))
x = Dense(4 * 4 * 1024)(x)
x = Reshape((4, 4, 1024))(x)
x = upscale(512)(x)
Decoder：8x8x512->64x64x3
x = input_
x = upscale(256)(x)
x = upscale(128)(x)
x = upscale(64)(x)
x = Conv2D(3, kernel_size=5, padding='same', activation='sigmoid')(x)
整个网络并不复杂，无非就是卷积加全连接，编码->解码，但是仔细研究后发现作者其实是匠心独运的，为什么我不急着说，我们先看看 con 和 upscale 的内部实现：
def conv(filters):
def block(x):
x = Conv2D(filters, kernel_size=5, strides=2, padding='same')(x)
x = LeakyReLU(0.1)(x)
return x
return blockdef upscale(filters):
def block(x):
x = Conv2D(filters * 4, kernel_size=3, padding='same')(x)
x = LeakyReLU(0.1)(x)
x = PixelShuffler()(x)
return x
return block
conv 是中规中矩的卷积加 relu 激活函数，upscale 中有个函数叫 PixelShuffler，这个函数很有意思，其功能是将 filter 的大小变为原来的 1/4，让后让高 h、宽 w 各变为原来的两倍，这也就是为什么前面的卷积层的 filter 要乘以 4 的原因。
经过测试对比，比如拿掉 upscale 换成步长为 2 的反卷积，或者简单 resize 为原来的两倍，实验的效果都大打折扣，结果是网络只能自编码，而得不到需要的人脸。虽然作者没有说这样设计是引用那篇论文的思想，笔者也未读到过直接讨论这个问题的论文，但是有一篇论文可以佐证：Deep Image Prior，包括 Encoder 中的全连接层都是人为打乱图像的空间依赖性，增加学习的难度，从而使网络能够更加充分地理解图像。所以 Encoder 中的全连接层和 PixelShuffler 都是必不可少的。经笔者测试，在不加 Gan 的情况下，去掉这两个要素，网络必定失败。
3. 图像融合
图像融合放在技术难点分析中讨论。
除了被用于色情内容，这项技术其实也许还应该有更宽泛的应用场景。
比如在电影《速度与激情7》中，主演保罗·沃克在 2013 年 11 月因车祸逝世，当时电影还没有拍完，
当时外界猜测可能会有三种弥补方案，一，原剧本拍摄，找替身，使用 CGI 特效，让沃克把戏“演”完。 二，重新修改剧本，把保罗所饰演的角色写死，或者让他消失。三，重新找男一号，重头拍摄。
在当时，后两种成本都很高，修改剧本，把保罗所饰演的角色写死，缺少对死者和影迷的尊重。而如果重新拍摄，损失太惨重。
最终，制片公司找到了保罗的弟弟，让他饰演保罗的角色，然后用 CGI 动作捕捉技术，加上保罗之前拍过但没使用的素材，把弟弟的脸变成保罗的脸，观众在看电影时基本看不出来。
如果这部电影放在今天，也许可以尝试文章开头所用的技术。
其实，关于类似人工智能技术在视频制作领域的应用，以制作图形处理器而闻名的英伟达已经在尝试了，去年12月，它就发布了一款图像算法，可以改变视频中的天气或时间。
汽车明明行驶在阳光明媚的道路上，而经过 AI 的改变，视频居然呈现出了夜晚的景象。不仅汽车的尾灯清晰明亮，就连原本没有路灯的道路两旁，都出现了真实的灯光效果。
时间再往前推，在2016年，还有一项更牛气的技术，一位来自德国纽伦堡大学的教授 Justus Thies 带领团队，做了一个能实时进行面部转换的模型，叫Face2Face。
使用者选择一个目标角色，比如川普，Face2Face会将他和川普的面部特征重构并追踪，当他做出一个面部表情时，比如大张嘴，模型会重新渲染川普的脸的形状和光影，并对背景进行修改。
他们还拿普京做目标，效果看来也不错。
原文：除了一键生成明星色情片，“AI 换脸术”的应用场景还有很多
谁被和谐都能接受，你偏偏跟我说这次是GitHub？不对不对，这也对不上号呀！为啥这么说？我们先来看看GitHub是个啥吧：
雷锋网得知，GitHub是一个面向开源及私有软件项目的托管平台，因为只支持git作为唯一的版本库格式进行托管，故名GitHub。而DeepFake则是GitHub的一个开源项目代码仓库，按照正常状态来说，即使在尚未登录的情况下该库也是对外开放的。然而，就是这样一个不黄、不赌也无毒的东东在一篇来自Hacker News的帖子里被曝出——当在隐身模式下以未登录的方式访问DeepFake的GitHub 仓库时，页面的显示结果却如下图示： 
没错，待审核。正如上面说的，DeepFake是一个开源的项目代码仓库，如今却被提示处在审核状态，那不就是被“和谐”了吗？好端端的DeepFake为啥会遭到这般“待遇”呢？对此，该贴吧中开发者们展开了激烈的讨论，这块编辑会在文章的后面详细讲到。那么，能肯定的是这个DeepFake开源项目还真不一般，那它究竟是干啥的呢？实际上，这里面的程序代码的确能够让人们实现“换脸”的操作。
这一技术的应用会引发何种问题？
阿里安全图灵实验室高级算法专家觉奥表示，除了换脸引发的道德和伦理问题，黑灰产利用 AI 换脸，是目前常见的一种攻击手段，“在人脸识别系统中，识别换脸的技术叫活体检测技术，这是一个攻防对抗技术，即用 AI 的手段来解决 AI 的攻击。”
举个例子，2017 年 11 月下旬，阿里安全图灵实验室就发现，有犯罪团伙通过 3D 软件控制人脸照片进行攻击操作，共发起过几百次攻击，导致近百名受害人驾照分被盗刷。通过 3D 合成“假脸”认证账号注册或登陆后，黑灰产人员可在受害人毫不知情的情况下，用于黑卡虚假注册、刷单、薅羊毛、诈骗等不法行为。
基于安全 AI 的方法来很好地解决这一攻击问题。“通过深度学习技术，训练模型，来通过两者的纹理、肤色、反光等特性的不同而识别出来。”觉奥表示，可实现在毫秒级时间内揪出假人脸，目前识别准确率达到 99.9 %。
正在生成分享图...
Nemo