2017 年底，國外論壇出現(xiàn)的一個ID 為“deepfakes”的用戶發(fā)布了通過機器學(xué)習來更換視頻人臉的人工智能算法，一腳踢開了人工智能換臉大門。不過當時該技術(shù)的使用門檻還比較高，需要編譯代碼等操作。

而一個月后，有人將他公開的的算法加以改造推出簡易版人工智能換臉工具“FakeApp”，這次，就算是普通用戶，也能夠順利操作。

隨著換臉技術(shù)的升級及相關(guān)應(yīng)用的開源，換臉用途也從最初的娛樂逐漸演變成犯罪工具，引發(fā)了人們越來越多對人工智能換臉的擔憂。

首先是對于信息的真實性形成嚴峻的挑戰(zhàn)。PS 發(fā)明后，有圖不再有真相；而人工智能換臉技術(shù)的出現(xiàn)，則讓圖像也開始變得鏡花水月了起來：這對于本來就假消息滿天飛的互聯(lián)網(wǎng)來說，無疑會造成進一步的信任崩壞。

其次，這會大大增加侵犯肖像權(quán)的可能，沒人愿意自己的臉龐出現(xiàn)在莫名其妙的視頻當中，此前就有在某***網(wǎng)站上，某女星的臉被“安”在了***女主角臉上的報道，這將給女星的名譽帶來極大的負面影響。

鑒于這項技術(shù)所帶來的倫理問題和潛在威脅，先進的 DeepFake 檢測技術(shù)將非常重要。

在以前的研究中，DeepFake 視頻檢測主要專注于在具備強監(jiān)督標注的情況下，如何較好地檢測到 DeepFake 圖像或者人臉。

現(xiàn)在，阿里安全圖靈實驗室和中科院計算所合作完成的一項研究更加關(guān)注現(xiàn)實中廣泛存在的問題：部分攻擊（篡改）的視頻，即視頻中只有部分人臉被篡改了。

具體來說，該研究提出了基于多實例學(xué)習的 DeepFake 檢測框架，將人臉和輸入視頻分別當作多實例學(xué)習 （Multiple Instance Learning， MIL） 里的實例和包進行檢測。

然而，傳統(tǒng)的多實例學(xué)習存在梯度消失問題。為此，研究人員提出了 Sharp－MIL （S－MIL），將多個實例的聚合由輸出層提前到特征層，一方面使得聚合更加靈活，另一方面也利用偽造檢測的目標函數(shù)直接指導(dǎo)實例級深度表征的學(xué)習，從而緩解傳統(tǒng)多實例學(xué)習面臨的梯度消失難題。該研究通過理論證明了 S－MIL 可以緩解傳統(tǒng) MIL 存在的梯度消失問題。

研究人員表示，除了部分換臉檢測任務(wù)之外，該研究成果對于一般性的視頻多實例學(xué)習與標注技術(shù)研究也具有重要的啟發(fā)意義，而人工智能換臉技術(shù)及其檢測技術(shù)也值得我們持續(xù)關(guān)注。
責編AJX