点击“开发者技术前线”，选择“星标🔝”

让一部分开发者看到未来

文章素材来源于网络，如有侵权，联系删除！

【前言】DeepFake千千万，究竟怎么办？GAN的滥用已经让现在的世界不再「眼见为实」。于是，研究人员提出了FakeTagger系统，将视觉上无法辨别的ID信息嵌入到图像中，准确率高达95%。

拍照、修图、发朋友圈、等大家点赞评论。

是不是已经一气呵成了？

大家都喜欢在社交平台上发自己照片，还希望大家能给自己精修的图点个赞。

然而，随着GAN及其变体在图像合成中的快速发展。

上传到各大平台的照片和视频都有可能会被DeepFake拿去进行编辑。

越来越多的软件可以让毫无专业知识的用户生成DeepFake图像，例如FaceApp等。

现在，甚至连直播都可能是「Fake」的。

我们已经生活在一个「眼见未必为实」的世界里了。

过去两年来，研究人员积极提出各种DeepFake检测技术。这些研究主要是在真实图像和合成图像之间，捕捉细微差异作为检测线索。

在Facebook主办的最新DeepFake检测竞赛 (DFDC) 中，最佳检测结果准确率不到70%。

为了更好检测出DeepFake，来自武汉大学的汪润等人合作开发了一个系统：「FakeTagger」。

值得注意的是，FakeTagger是首个通过图像标记为DeepFake出处和跟踪进行的工作。

论文地址：https://arxiv.org/abs/2009.09869

文中，作者采用了一个基于DNN的编码器和解码器，并对信息嵌入和恢复进行联合训练。

同时，受到香农容量定理的启发，作者加入了冗余信息进而提高了信号通信的鲁棒性。

结果表明，对于常见的Deepfake方法，FakeTagger的重新识别率高达近95%。

FakeTagger

现有的研究大多都集中在已知GAN或简单的数据集上，如FaceForensics++、DeepFake-TIMIT。

通常用于区分真假的伪影由于现实世界中的各种退化问题，很可能会被移除或损坏。包括简单的图像转换和具有扰动的对抗性噪声攻击。

这就成为开发强大的DeepFake检测器的最大障碍。简单点说，现有的DeepFake检测方法面临两个重大挑战：

1. 对未知合成技术的泛化能力差；
2. 图像质量下降后的鲁棒性差。

图像标签

1. 用于DeepFake的图像标签应该对基于GAN的转换具有鲁棒性；
2. 被标记的信息肉眼无法察觉，不会引入明显的图像质量下降。

• 信息发生器𝑋𝑔𝑒𝑛从通道编码中生成二进制信息。生成的信息作为一种资产，用于身份验证。

• 编码器𝐹𝑒𝑛𝑐将信息（通常是UID）嵌入到面部图像中，并确保肉眼无法看到标记的信息。换句话说，编码后的图像需要在感知上与输入图像相似。

• GAN模拟器𝐺𝑠𝑖𝑚用于执行各种基于GAN的转换。

• 信息解码器𝐹𝑑𝑒𝑐在基于GAN的剧烈变换后，从编码的面部图像中恢复嵌入的信息。恢复的UID被进一步用于身份验证目的。

• 通道解码器𝑋𝑑𝑒𝑐接受来自𝐹𝑑𝑐的解码信息，产生最终信息𝑋。

准确性的评估

鲁棒性的评估

作者采用了四种在制作DeepFake视频中广泛出现的扰动，即压缩、调整大小、模糊和高斯噪声。

 

输入图像大小为256×256，被操纵的面部属性为「胡子」。

参考资料：https://arxiv.org/abs/2009.09869