DeepFake 天敵出現:用血氧儀原理辨識假臉,準確率超過 90%

作者 | 發布日期 2020 年 10 月 09 日 12:00 | 分類 尖端科技 , 軟體、系統 Telegram share ! follow us in feedly


DeepFake 已經不再是只有少數科研人員掌握的技術了,它被越來越多懷有不良動機的人應用到現實生活的各方面中,引發不必要的誤解,比如說製作色情影片或者假新聞等。

最近,一篇刊登在 IEEE PAMI (模式分析與機器智能彙刊)上的論文稱,有新的方法能夠準確辨識 DeepFake 影片,甚至能以很高的準確率,辨識出影片採用的是哪種 DeepFake 演算法。

這篇論文有意思之處,在於它的思路別出心裁:辨識臉部因心跳血流產生的微弱變化。

血管遍布人體全身,包括臉上。比如在睡覺的時候,你可能會感覺到臉部血液流動產生的輕微「跳動」感。隨著心跳導致的血液流動,人體皮膚也會出現區域性顏色變化。常見的脈搏血氧儀,其工作方式其實就是辨識這種變化(學名叫做光體積變化描記圖法 Photoplethysmography,簡稱 PPG。後面還會提到這個詞)。

因心跳產生的皮膚顏色變化,在人臉上同樣會出現,只是極其微弱,對肉眼不可見,在影片裡就更難看出來了。不過對影片進行特定處理,增強顏色變化的效果,肉眼就可以很明顯地觀察出來:

你可能想問:這種方法辨識心跳準確嗎?當然準了,Apple Watch 和一大堆血氧儀都採用這種方法,它的準確率和心電圖基本吻合,如下圖所示:

3 位分別來自紐約州立大學賓漢頓分校和英特爾公司的研究人員,在這篇新論文裡提出了一個重要的主張:無論是在空間維度還是時間維度上,DeepFake 的假人臉都無法還原這種因血液流動造成的微弱變化。

空間維度就是臉部區域,時間維度就是心跳頻率。DeepFake 的假人臉,體現不了這種微弱變化,在進行大量測試後,研究人員發現:DeepFake 影片裡的人臉,讀取到的 PPG 信號是不穩定的。

這句話的意思是:如果你對 DeepFake 影片進行增強,會發現血流變化產生的顏色變化在人臉上顯示非常不自然,變化的頻率也完全不像真的心跳。

從下圖中你可以看得更清楚:4 種 DeepFake 演算法生成的影片,產生的 PPG 信號都有很多「雜訊」,而真實影片的「雜訊」很少。

(Source:論文,以下同)

基於這個主張,研究人員設計了一套基於卷積神經網路的模型,命名為 FakeCatcher。

FakeCatcher 從不同的 DeepFake 影片中提取 1. 關鍵的人臉區域、2. 讀取 PPG 信號,將兩者組合成一個時空模組(稱為一個 PPG 元素),再對 PPG 元素進行學習,最終就可以給出答案了。

在 Face Forensics++、CelebDF 等常用的假臉數據集上,FakeCatcher 的準確率能夠超過 90%。

更厲害的是,FakeCatcher 不光能認出影片的真假,還能準確辨識出假影片用的是哪種 DeepFake 演算法──這是因為每種演算法的殘差效果雜訊都有足夠明顯的特種。研究人員透露,他們在 DeepFakes、Face2Face、FaceSwap 和 NeuralTex 4 種主流演算法上的辨識準確率整體超過了 93%。

研究人員認為,這篇論文中提出的 PPG 信號辨識思路,對於 DeepFake 的辨識和偵測能夠開啟一個全新的方向。接下來,他們打算訓練一個更複雜的模型,同時對真實影片和 DeepFake 影片的 PPG 信號進行訓練。

所謂道高一丈魔高一尺,趕在 DeepFake 演算法被大肆濫用之前堵住他們的路,讓他們無路可走。

(本文由 品玩 授權轉載;首圖來源:紐約州立大學賓漢頓分校

延伸閱讀: