近日，一个名为ThisPersonDoesNotExist.com的网站使用人工智能(AI)生成的令人吃惊的逼真虚假人脸在网上大火，但这些看起来就像我们身边存在的虚假人脸并不存在，它们是根据什么生成的呢？而可以让用户测试他们区分AI产生的虚假脸部图像和真实脸部图像的能力的WhichFaceIsReal.com网站也随之而起。两个网站都表示他们使用的是一种生成对抗网络（或简称GAN）的机器学习方法来生成虚假图像。这些网站通过大量数据（真实人物的大量肖像）进行操作，学习其中的模式，然后尝试复制他们所“看到”的内容。

生成式对抗网络

      ThisPersonDoesNotExist.com网站的创作者Phillip Wang于上月发布了这个网站，声称该网站的神经网络算法能够从512维矢量中划分面部图像。该技术基于NVIDIA设计的最先进人工智能StyleGAN，这是一种可以分离图像各种元素的神经网络并用于学习和生成新的图像。

      这种技术实际上使用的是生成式对抗网络（GAN，Generative Adversarial Networks ），据了解，这是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。

      目前GAN主要有两个应用方向，一个就是图像生成，另一个是数据增强，意思是用GAN生成的图像来做数据增强。目前GAN最常使用的地方就是图像生成，如超分辨率任务，语义分割等等。如果用GAN生成的图像来做数据增强，对于小数据集，数据量不足，如果能生成一些就好了。

      GAN非常的优秀，一个原因是它们会自己进行测试。网络的一部分生成面部图像，另一部分将它们与训练数据进行比较。如果它可以区分，生成器将被送回绘图板以改善其工作。这些技术可用于处理音频和视频以及图像。

      面对假脸生成算法，现有人脸识别系统几乎束手无策，有研究人员针对虚假人脸视频中人脸识别的漏洞，在论文中对基于VGG和Facenet的人脸识别系统做了漏洞分析，还使用SVM方法评估了 DeepFake 的几种检测方法，包括嘴唇动作同步法和图像质量指标检测等。

      但结果令人遗憾，无论是基于VGG还是基于Facenet的系统，研究人员都不能有效区分GAN生成假脸与原始人脸。而且，越先进的Facenet系统越容易受到攻击。

如何用肉眼分辨计算机生成假脸

      这些用计算机生成的逼真到恐怖的人脸图像，对于虚假视频泛滥的网络来说，有专家表示这可能导致一场迫在眉睫的“真相危机”。但人们发现，这些人脸虽然非常逼真，看起来非常高清、表情自然，但还是存在着许多不合常理的地方，通过以下方法可以使用肉眼进行分辨：一是许多人脸图像有着不对称的面部特征、配饰，在一些图片的脸上会出现不自然的面部斑点，而有些女士的图像中，耳环只佩戴了一边，或者两只耳环的样式并不一样。二是牙齿，并且因为AI算法不知道正常人应该有多少颗牙以及这些牙齿的朝向，所以一般AI算法不会选择多角度描绘出这些牙齿的样貌，而是乱来一气，造成有些图像的有着一口非正常人类的牙齿。三是衣服和背景，仔细观察图像的衣服和背景，很多人会发现，这些逼真的人脸穿的是一边袖子被剪掉的衣物或者是领子怪异的衣物，而有些图像的背景则会出现一个悬在空中的“不明装饰物”。

      有了这些辨认技巧，看来真实人脸vsAI生成的虚假人脸这一战，虚假人脸暂时宣告了败北，但随着技术的不断发展，目前假脸生成和真脸识别算法军备竞赛已经开始，就让我们拭目以待这些高新技术吧。