“跨国视频造假窝点”曝光！这个大规模数据集，帮AI揪出99%换脸视频

图片来源@视觉中国

钛媒体注：本文来源于微信公众号量子位（ID:QbitAI），作者：乾明、郭一璞，钛媒体经授权转载。

上回说到，奥巴马deepfake怼川普，斯嘉丽怒斥网友假视频。

deepfake，视频造假神器，把一个人的脸庞，转移到另一个的身上，让假新闻轻松传播到全网。

这下，不管是政要还是明星，都被“有视频有真相”的绯闻缠身，跳进密西西比河洗不清了。

即使是普通人，万一哪天被人构陷，做了小视频发到女朋友那里，恐怕是膝盖跪键盘，有嘴说不清。

因为你看，这些视频你能辨认出真假？

这张动图来自一段电视新闻男主播说话的视频，它是真的吗？

换这位女主播，她口播的这段视频是真的吗？

这位呢？

看起来毫无违和感，实际上，没有一个是真的。

视频（动图）上的这些人，从来都没有做出过这些口型和表情。

而且，这样的假视频，最近市面上出现了一大堆，来自一个德国意大利跨国团伙。

这一批视频里，包含没处理过的真实视频和处理过的假视频。真实视频都来自YouTube；而假视频则是他们用三种方法造假生成的。

这批视频数量也很惊人，总量多达1000段，总共超过150万帧，原始视频超过1.5 TB，其中视频质量最差的也有480p，甚至还有达到1080p的高清视频。

嗯，没错，这个团伙是一群高校里的AI研究者，而这些假视频，是一个数据集，名叫FaceForensics++。

有了这个数据集，就可以训练神经网络，鉴定出那些被AI换了脸的假视频，证明你的清白，拯救你的膝盖、键盘和女友。

以AI攻AI

这些假视频不仅出自不同的造假方法，质量也分三个等级。有原始的输出视频RAW、高质量视频HQ（使用h.264，参数为23进行压缩）和低质量视频LQ（参数为40）。

效果怎么样呢？肉眼很难分辨。

研究团队先找100多名学生测试了一下，让他们从两个视频中选出哪个是真哪个是假。

在最厉害的造假方法面前，人类学生们的准确率只有40%左右，还不如随便瞎蒙，可谓是假的比真的还像真的了。

就算是不那么精致的假视频，人类判断原始视频的平均准确率也只有72%，高质量视频71%，低质量视频因为相对模糊难以辨认，准确率只有61%。

有了足够多的数据，这个研究团队，就开始“以AI攻AI”，训练神经网络，鉴别那些被换脸AI处理过的假视频。

他们挑选了6个模型，用这些数据训练一遍之后，识别造假视频的准确率都比人类的肉眼高得多。

其中最好的模型，准确率达到了99.08％！不过这是在原始的输出视频上，在高质量视频略微降低到97.33％，就算是视频质量低，准确率还能到86.69％。

与人类的识别能力相比，高了20多个百分点。

这个模型是XceptionNet，出自Keras之父Francois Chollet之手，它是一个传统的CNN网络，是在具有残差连接的可分离卷积在ImageNet上训练出来的。

其他的模型虽然没有它优秀，但也有了很显著的提升。

在原始视频上的识别准确率，都能达到95%以上，经过压缩的高质量视频上，是被准确率开始有差别，但XceptionNet依旧强劲。

质量较差的视频上，识别准确率基本上都大幅下降，最低的平均不到60%。但最高的XceptionNet还是能保持在86.69％。

那么，这个“神奇”的数据集是从哪来的呢？

造假の全过程

我们前边也提到过，原本都是YouTube上普普通通的视频，经过三种常用造假手段的改造，就成了这个数据集。

为了让这些假视频显得更加逼真，研究团队想了不少办法。

他们找的视频，里边当然都有人脸。这些原视频一部分来自谷歌YouTube-8M数据集，另一部分则是直接从YouTube网站上扒下来的。

视频收集好之后，还要用人脸检测器处理一遍，确保其中人物面部没被遮挡，再去掉渐变、叠加等过渡效果。最后，再人工筛选，确保视频质量够高，以保证后续造假的效果。

造假操作一共分为两类：

一是转移面部表情和动作的面部重演（ facial reenactment），需要保留目标人的身份，像给视频里的奥巴马“施法”一样，让他做出一些新的表情。

一是面部交换（face swapping），用原始视频中人的面部替换目标视频中人的面部，比如把斯嘉丽的照片贴到爱情动作片女主角的脸上。

正式上手造假时，研究团队主要选择了三种方法。分别是用来换脸的FaceSwap、deepfake，和用来换表情的Face2Face。

Face2Face和FaceSwap都是通过重建面部的3D模型，并在3D模型中进行相应的编辑来完成造假。

其中FaceSwap是一个轻量级的编辑工具，使用比较稀疏的面部标记位置，将一个视频中的脸复制到另一个视频中的脸上。

相比之下，Face2Face的技术更加复杂，能够进行面部跟踪和建模，从而来换表情。

deepfake主要用来执行面部交换的操作，使用自动编码器用原始视频中的面部替换目标视频中的面部。

用这三种方法处理出来的数据集，被分成了训练、验证和测试数据集。

其中原始视频、Face2Face、deepfake的训练数据集都有36.7万帧图像，FaceSwap的较少，只有29.2万帧。训练数据集和验证数据集的规模，都在7万左右。

用这三种方法处理视频，都需要将原始视频和目标视频作为输入，最终输出逼真的假视频。

假视频，惹麻烦

在deepfake面世以前，视频换脸技术存在于电影拍摄中，需要相对较高的技术和资金投入。

而现在，deepfake等技术的出现大大降低了换脸门槛，人们不仅用它来制造政要们的假新闻，还用它来制造女明星的色情片。

寡姐斯嘉丽也是因此才公开表示，她对网络上出现的那些贴了她的脸的deepfake视频非常愤怒，但却无可奈何，无法阻止这些视频四处流传。

这下，对许多人来说，哪怕是再注意隐私，也无法阻止艳照门流传了。

去年5月，deepfake已经引起了五角大楼的注意，他们通过美国国防部高级研究计划局（DARPA）委托全美各地的专家，想方设法检测各类视频的真实性。

不久后，DARPA就研发了一款AI工具，能够自动监测处被换了脸的假视频，根据假视频一般不会表现出眨眼、呼吸和眼球运动这些特征，能够以99%的准确率识别出假视频。

不过现在，用不着请美国国防部出山了，只要有了这个FaceForensics++数据集，你也可以DIY训练AI来甄别假视频了。