Microsoft Research ในความร่วมมือกับ Peking University ได้ตีพิมพ์เอกสารวิชาการสองฉบับที่หารือเกี่ยวกับแนวคิดสำหรับการแลกเปลี่ยนความฉลาดทางปัญญาและเทคโนโลยีการตรวจจับการปลอมแปลงใบหน้า:ผู้ทำและใบหน้าเอ็กซ์เรย์“ กรอบการทำงานสำหรับการแลกเปลี่ยนใบหน้าที่มีความสูงและการบดเคี้ยวสูงความกล้าหาญ- นักวิจัยอ้างว่าเมื่อเทียบกับวิธีการอื่น ๆ ที่พัฒนาขึ้นแอพทั้งสองไม่ต้องการข้อมูลและประสิทธิภาพมากนักยังคงเหมาะสมที่สุด
faceshifter กล่าวถึงการทดแทนของบุคคลที่เป็นภาพเป้าหมายกับบุคคลที่แตกต่างกันในภาพต้นฉบับการรักษาท่าทางศีรษะการแสดงออกทางสีหน้าแสงสีความเข้มและพื้นหลัง นักวิจัยกล่าวว่าในขณะที่แอพพลิเคชั่น AI เช่นการสะท้อนและการอ้างสิทธิ์ในใบหน้านั้นมีความแม่นยำในกระบวนการ แต่พวกเขาสามารถได้รับอิทธิพลจากการเปลี่ยนแปลงท่าทางและมุม ในทางกลับกันเพื่อให้แน่ใจว่ามีความแม่นยำในการแลกเปลี่ยนใบหน้า FACESHIFTER ใช้ประโยชน์จากเครือข่ายฝ่ายตรงข้าม (GAN) ที่ขนานนามว่าเป็นเครือข่ายการรวมการฝังตัวแบบปรับตัว (AEI-NET) ที่สามารถรวบรวมคุณสมบัติในการแก้ปัญหาเชิงพื้นที่หลาย เครื่องกำเนิดไฟฟ้ามีเลเยอร์ denormalization (AAD) ที่ได้รับการฝึกฝนซึ่งฝึกฝนวิธีการรวมคุณสมบัติใบหน้าและด้วยข้อผิดพลาดของการแก้ปัญหาการยอมรับเครือข่ายการปรับแต่ง (Hear-NET) ที่ตรวจพบสิ่งกีดขวางบนถนนโดยการวิเคราะห์ความไม่สอดคล้องกันระหว่างภาพที่สร้างขึ้นใหม่และอินพุตของพวกเขา
จากการทดสอบเชิงคุณภาพนักวิจัยสังเกตเห็นว่า faceshifter ได้รับการดูแลรักษารูปร่างใบหน้าแสงและความละเอียดของภาพอย่างแม่นยำในขณะที่ภาพที่รวบรวมออนไลน์ไม่จำเป็นต้องใช้ข้อมูลที่มีคำอธิบายประกอบของมนุษย์เพื่อกู้คืนภูมิภาคความผิดปกติ
“ กรอบการทำงานที่นำเสนอแสดงให้เห็นถึงประสิทธิภาพที่เหนือกว่าในการสร้างภาพใบหน้าที่สมจริงโดยไม่ต้องใช้คู่ใบหน้าโดยไม่มีการฝึกอบรมเฉพาะเรื่องการทดลองอย่างกว้างขวางแสดงให้เห็นว่ากรอบการทำงานที่เสนอนั้นมีประสิทธิภาพสูงกว่าวิธีการแลกเปลี่ยนใบหน้าก่อนหน้านี้อย่างมีนัยสำคัญ” ทีมกล่าว
ข้อเสนอแนะที่สองของพวกเขาเผชิญหน้ากับเอ็กซ์เรย์ตรวจจับของปลอมเครื่องมือที่นักวิจัยเชื่อว่ามีความสำคัญในวันนี้Deepfakes กำลังเพิ่มขึ้นออนไลน์- ไม่จำเป็นต้องมีการกำกับดูแลของมนุษย์หรือการฝึกอบรมอัลกอริทึมก่อนหน้าโดยใช้ภาพปลอมและวิธีการจัดการ ใบหน้าเอ็กซ์เรย์สร้างภาพสีเทาและตรวจพบว่าสามารถแยกภาพออกเป็นภาพที่แตกต่างกันสองภาพที่รวมเข้าด้วยกัน สิ่งนี้ประสบความสำเร็จนักวิจัยอ้างว่าเพราะภาพมีความแตกต่างที่ไม่ซ้ำกันจากส่วนประกอบฮาร์ดแวร์หรือซอฟต์แวร์
นักวิจัยทำการทดลองจำนวนมากที่พวกเขาฝึกฝนการเอ็กซ์เรย์FaceForensics ++ ซึ่งมีวิดีโอ Deepfake มากกว่า 1,000 รายการบนข้อมูลจาก Deepfake Detection Challenge และ Celeb-DF พวกเขาสรุปว่าเครื่องมือดังกล่าวได้ระบุความสำเร็จที่ไม่รู้จักและภูมิภาคผสม นักวิจัยชี้ให้เห็นว่าในขณะที่วิธีการของพวกเขาขึ้นอยู่กับการค้นหาขั้นตอนการผสมมันไม่ใช่กระสุนเงินและมันอาจไม่ทำงานสำหรับภาพสังเคราะห์ทั้งหมด
หัวข้อบทความ
ปัญญาประดิษฐ์-ไบโอเมตริกซ์-เฟลค์-การแลกเปลี่ยนใบหน้า-การจดจำใบหน้า-การวิจัยและพัฒนา-การตรวจจับการปลอมแปลง
