DeepFake终于要被打败！伯克利AI识别系统入门_akaros 操作系统

本文存在的目的是更快速的提炼一些关于DeepFake的关键点，带你了解DeepFake。

这里有更详细的介绍，我这个更容易了解一个大概

1 关键点总结

• DeepFake假视频的泛滥早已经不只是恶搞和娱乐的问题了！这场斗法已经成为一场维护新闻真实性、甚至是关乎国家安全的一场军备竞赛。
• 刚开始的Deepfake生成的视频假视频有任务从不眨眼的缺陷，但是很快得到改善。
• 总而言之，deepfake的进步是非常快的，这可能是一个旷日持久的对抗。

2 目前先进的验证方法

• 前提假设：人说话的时候， 会做出不同的面部表情和动作
• 假设有一个视频，跟踪面部和头部运动，然后检测并提取特定动作单元的存在性和强度，来构建一个能够区分真假视频的模
• 通俗易懂的原理：不同的人在说话时会表现出相对不同的面部和头部运动模式。而Deepfake假视频往往会破坏这些模式，因为假视频中的这些模式的表达由模仿算法控制，可能导致嘴巴与脸部的其他部分不自然的分离。

---

举一个例子
上面所示是来自250帧剪辑片段中的五个等距帧，显示了对OpenFace的跟踪结果。下半部分为此视频剪辑上测量的一个动作单元AU01（眉毛抬起）的程度。

希拉里·克林顿（棕色），巴拉克·奥巴马（浅灰色带框），伯尼·桑德斯（绿色），唐纳德·特朗普（橙色），伊丽莎白·沃伦（蓝色）的190-D特征的二维可视化），随机任务（粉色），以及奥巴马的Deepfake假视频（深灰色带框）
可以发现每一个人的基本都是一个聚类

---

实验结果：总体识别率超过95%

---

3 局限性

本文提出的方法与现有的基于像素的检测方法相比，可以更好地抵御图像压缩的影响。不过我们也发现，**本方法的适用性容易受到人们说话的不同背景的影响（直面镜头正式讲话，与不看镜头的现场采访）。**我们建议通过以下两种方式来应对。

1. 在各种多样化环境中收集更大、更多样化的视频集，或者构建几位名人基于特定环境下的讲话模型。
2. 除了这种背景环境效应之外，我们发现当演讲人始终远离镜头时，动作单元的可靠性可能会受到严重影响。为了解决这些局限性，建议通过语言分析来增强模型性能，更好地捕获所说内容与说法方式之间的相关性。

了解更多，可以看这里