从围棋界所向披靡的“阿尔法狗”到势不可挡的“人脸识别”，机器学习给人们的生活带来了翻天覆地的变化。然而随着AI技术的不断发展，以“智能换脸”为主要表现形式的Deepfake技术却给大家的生活带来了更多的困扰。2018年，加蓬总统阿里·邦戈中风，消失数月。为了安抚民心，政府在元旦当天公开了总统新年讲话的一段录音。这段新年致辞是使用Deepfake技术生成的，但是这段视频不仅没有安抚民心，反而让军方高层发现了异常，最终导致兵变。在此次事件中，“AI换脸”技术成为干预政治选举、降低政府公信力的一大推手。在很多人的印象中，Deepfake技术似乎处在社会的阴影之中，只不过它可以让有需要的人通过AI换脸看到色情视频。图1deepfake图片（图片来源：http://zkres1.myzaker.com/）对于普通人来说，deepfake技术可以说是假的，没有破绽。我们真的分不清网络上流传的视频的真假吗？别着急，俗话说“魔高一尺，道高一尺”。在专业人士手中，通过详细的计算机分析，可以识别照片和视频的真伪，让经过Deepfake技术处理的内容“原形毕露”。Deepfake技术的原理就是学习，学习，再学习。要了解Deepfake技术是如何被识破的，首先要了解什么是Deepfake技术。Deepfake是深度机器学习（deepmachinelearning）和假照片（fakephoto）的结合。可以理解为机器为深度学习制作的假照片、假视频等假产品。最常见的应用之一就是“AI换脸”，即将一个人的脸移植到另一个人的脸上。换脸时，机器首先需要识别人脸的位置。人脸识别和标定也广泛应用于自动驾驶等领域。目前发展非常成熟，识别率达到98%以上。换脸使用的素材往往与视频中要换脸的人脸在面部方位、面部表情等方面有所不同。因此，机器在识别出人脸的位置后，还需要进一步对人脸进行标定。通过寻找面部具有鲜明特征的区域，机器可以确定每一帧中面部的方位和表情，然后将需要插入视频中的面部与素材进行匹配。匹配完成后，换脸技术并不是简单地将换脸材料贴在待换人的脸上。简单的纹理很容易被肉眼识别，很难达到“厌恶真实”的效果。Deepfake技术的进一步学习原理可以类比人类行为。如果你盯着A脸看100小时，再看B脸的照片；然后让你凭记忆画出B的脸，无论你的技术水平多高，你最终都会画出一张和A非常相似的脸。因此，当我们训练机器，让机器学习使用A的元素时A面画B面，我们就可以在B面上逼真地“画”出A面。图2看B，画A（来源：原文）逼真的Deepfake技术也有小瑕疵。机器学习产生的换脸视频和照片如此逼真，那么Deepfake技术到底有什么破绽呢？中国有句古话叫“欲人不知，己不可为”。换脸技术的硬伤在于面材的细节处理。Deepfake技术是利用A面的元素来绘制B面，这个过程是对A面的元素进行了一次精致的拼接，而这个拼接过程势必不会完美符合真实情况。纽约州布法罗市布法罗大学的计算机科学家从“眼睛”这个人脸最精致的元素入手，实现了Deepfake技术的识别。这项技术的核心原理是基于眼球的反射。当环境光照射到眼睛时，它会被反射，在角膜上形??成图像。在真实的照片中，两只眼睛注视同一个物体会有非常相似的反射模式。但在Deepfake合成的照片中，两只眼睛的反射内容往往不一致。很有可能用左眼“看到”一只小狗而用右眼“看到”一辆卡车。检测机首先提取两只眼睛的反射内容，然后检测左右眼的反射内容、反射光强度等参数是否协调，进而可以识别照片和视频是否已经合成.该方法已被证明具有94%的实验有效性。此外，常见的检测方法还包括：（1）从视频的2D图像中估计3D姿态。使用Deepfake技术合成的视频，三维姿态可能会突然发生较大的突变。比如视频中的人，上一帧是挺胸吸气的状态，下一帧很快就变成了下沉呼气的状态，那说明视频肯定是合成过的。(2)捕获Deepfake技术在处理视频时扭曲图像在环境中产生的“伪影”。(3)捕获左右异色虹膜、光影不协调、几何建模错误等缺陷。(4)根据明星的行为习惯，检测视频中是否存在相应的独特行为特征（如摸鼻子、歪嘴等）。图3deepfake视频中的虹膜异色（来源：知乎）deepfake检测中的“猫鼠游戏”在不断发展的过程中，deepfake检测技术仍将面临诸多挑战。第一点是有些技术本身需要一定的信息量。例如，如果视频中没有同时出现两只眼睛，则无法应用上述眼睛反射检测技术。对于虹膜颜色的检测，在视频质量不高的情况下也难以使用。第二点，检测技术和换脸技术是一个“不断发展、相互竞争”的过程。例如，为了捕捉上文提到的光照和阴影的不一致性，换脸器可以在换脸时使用更多的资源进行光照模拟和渲染，从而保证阴影生成的质量。从这个角度来看，检测和换脸技术就像是一场“猫捉老鼠的游戏”，两者不断迭代，你追我赶。今天的检测技术提出利用眼球的反射光进行检测，明天的换脸技术可以在学习内容中加入模拟眼球的反射光。检测技术必须不断更新，才能跟上Deepfake技术的发展步伐。第三点，检测技术与自动化还有一定距离。现有的检测技术耗时较长，难以在用户上传视频的同时在短时间内自动完成检测和审核。在实用的自动deepfake检测软件之前还有一段路要走。第四点，目前对于Deepfake技术还没有完善的规定。每个视频平台都有自己的规则来定义什么样的Deepfake视频是恶意和非法的。同时，目前还没有针对Deepfake技术的相关法律。这给Deepfake视频的检测和控制带来了诸多困难。虽然deepfake检测技术还面临诸多挑战，但相信随着AI技术的不断发展，相关法规会逐渐完善，针对deepfake的检测技术会更加精准高效。总有一天，假视频会在检测技术的“金眼”下全部露出真面目。利用技术漏洞，滥用Deepfake技术，迟早会受到惩罚。Crossref,GoogleScholar(HuS,LiY,LyuS.ExposingGAN-generatedFacesUsingInconsistentCornealSpecularHighlights[J].2020.)
