先进的AI和机器学习算法可以生成逼真的物体图像。但也有很多人利用新技术做一些违法的事情，例如伪造面孔进行人脸替换。近日，微软研究院和北京大学发表了两篇科技论文，分别是一种用于高保真度和遮挡意识的面部替换工具Face Shifter，以及用于检测面部伪造图的AI工具Face X-Ray。研究人员表示，在不牺牲性能的前提下两款工具均达到了行业领先的效果，并且与以前的方法相比所需的数据要少得多。

面部替换工具Face Shifter，可以快速的将图像或者视频中的脸替换成另外一个人的脸，同时保留了头部姿势，面部表情，光线，颜色，强度，背景和其他属性。像Reflect和Face Swap这样的应用程序也可以完成换脸操作，但是微软研究人员表示，它们对姿势、光线、颜色、强度等因素进行了破坏无法达到自然融合的效果。

Face Shifter通过生成对抗网络（GAN）来增强人脸交换的保真度。这是一种由生成器组成的AI模型，该生成器试图欺骗鉴别器以将合成样本归类为真实样本，可自适应嵌入集成网络（AEI-Net）。创新点在于，利用自适应注意力非正规化（AAD）层的新生成器，可自适应地学习在哪里整合面部属性；而之前的合成模型（启发式错误确认细化网络HEAR-Net），则利用了重建图像及其输入之间的差异。

Face Shifter的面部替换实例

研究人员表示，在一项定性测试中，与FaceSwap、Nirkin、FaceForensics++、DeepFake、IPGAN 等面部替换效果相比，Face Shifter更好地保留了脸部原有的形状并还原图像的分辨率、阴影、明度等属性。此外，Face Shifter可以在不依赖人类注释数据的情况下，恢复面部异常区域，例如：眼镜、阴影、反射效果以及其他不常见的面部遮挡。

与Face Shifter正好相反，Face X-Ray主要用于检测面部伪造。在2019年6月，一名间谍使用AI生成的个人资料照片，来欺骗LinkedIn中的联系人；在2019年12月Facebook发现了数百个有问题的账号，其中包含使用AI合成的假脸的个人资料照片。

与现有方法不同的是，Face X-Ray不需要事先知道操作方法而是生成灰度图像，显示给定的输入图像是否可以分解为来自不同来源的两个图像的混合。Face X-Ray不需要依赖于与特定人脸操作技术相关的伪影知识，并且支持它的算法可以在不使用任何方法生成假图像的情况下进行训练。研究人员在Face Forensics ++上对Face X-Ray进行了数据训练，Face Forensics ++是一种大型视频语料库，其中包含使用四种最新的面部操作方法，进行操作的1,000多个原始剪辑，以及包含从真实图像构建的混合图像。

他们评估了Face X-Ray归纳四个数据集的能力，包括上述Face Forensics++语料库的一个子集；Google发布的数千个视觉deep fake视频集合，deep fake用于检测挑战赛的图像；以及Celeb-DF，一个包含408个真实视频和795个合成视频且视觉伪影减少的语料库结果显示，Face X-Ray可以快速地识别出之前未被找出的伪造图片，并准确地预测出图片混合区域。

继续阅读：流程自动化   RPA   AI

未经允许不得转载：RPA中国 | RPA全球生态 | 数字化劳动力 | RPA新闻 | 推动中国RPA生态发展 | 流 > 微软研究院联合北京大学，推出可检测面部伪造的AI工具Face X-Ray