本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

自打有了deepfake，再也不敢相信「眼見(jiàn)為實(shí)」了。

要說(shuō)把朱茵換臉成楊冪，把海王換臉成徐錦江，大家還可以一笑而過(guò)。

[[338919]]

△圖源：微博用戶@慢三與偏見(jiàn)

可若是公眾人物被deepfake了什么不該說(shuō)的話、不該做的事，就讓人細(xì)思極恐了。

為了防止世界被破壞，為了維護(hù)世界的和平，（狗頭）現(xiàn)在，阿里安全圖靈實(shí)驗(yàn)室也加入了“圍剿”deepfake的隊(duì)列：

打造deepfake檢測(cè)算法S-MIL，多人現(xiàn)場(chǎng)視頻，只要其中1人被換臉，就能精準(zhǔn)識(shí)別。

基于多實(shí)例學(xué)習(xí)的deepfake檢測(cè)方法

魔高一尺，道高一丈。deepfake和deepfake檢測(cè)技術(shù)的較量其實(shí)早已展開(kāi)。

不過(guò)，此前存在的deepfake檢測(cè)方法主要分為兩類：幀級(jí)檢測(cè)和視頻級(jí)檢測(cè)。

基于幀級(jí)的方法需要高成本的幀級(jí)別標(biāo)注，在轉(zhuǎn)化到視頻級(jí)任務(wù)時(shí)，也需要設(shè)計(jì)巧妙的融合方法才能較好地將幀級(jí)預(yù)測(cè)轉(zhuǎn)化為視頻級(jí)預(yù)測(cè)。簡(jiǎn)單的平均值或者取最大值極易導(dǎo)致漏檢或誤檢。

而基于視頻級(jí)別的檢測(cè)方法，比如LSTM等，在deepfake視頻檢測(cè)時(shí)，過(guò)多專注于時(shí)序建模，導(dǎo)致deepfake視頻的檢測(cè)效果受到了一定的限制。

△部分deepfake攻擊，四個(gè)人中只有一人被換臉

為了解決這些問(wèn)題，阿里安全圖靈實(shí)驗(yàn)室的研究人員們提出了基于多實(shí)例學(xué)習(xí)的Sharp-MIL（S-MIL）方法，只需視頻級(jí)別的標(biāo)注，就能對(duì)deepfake作品進(jìn)行檢測(cè)。

核心思想是，只要視頻中有一張人臉被篡改，那么該視頻就被定義為deepfake視頻。這就和多實(shí)例學(xué)習(xí)的思想相吻合。

在多實(shí)例學(xué)習(xí)中，一個(gè)包由多個(gè)實(shí)例組成，只要其中有一個(gè)實(shí)例是正類，那么該包就是正類的，否則就是負(fù)類。

S-MIL就將人臉和輸入視頻分別當(dāng)作多實(shí)例學(xué)習(xí)里的實(shí)例和包進(jìn)行檢測(cè)。

并且，通過(guò)將多個(gè)實(shí)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，另一方面也利用了偽造檢測(cè)的目標(biāo)函數(shù)直接指導(dǎo)實(shí)例級(jí)深度表征的學(xué)習(xí)，來(lái)緩解傳統(tǒng)多實(shí)例學(xué)習(xí)面臨的梯度消失難題。

具體而言，算法主要由三個(gè)關(guān)鍵部分組成。

首先，對(duì)輸入視頻中的采樣幀進(jìn)行人臉檢測(cè)，并將提取的人臉喂給CNN，以獲取特征作為實(shí)例。

在實(shí)例設(shè)計(jì)上，與傳統(tǒng)多實(shí)例學(xué)習(xí)的設(shè)定一樣，實(shí)例與實(shí)例間是相互獨(dú)立的。

但由于deepfake是單幀篡改的，導(dǎo)致同一人臉在相鄰幀上會(huì)有一些抖動(dòng)，就像這樣：

為此，研究人員設(shè)計(jì)了時(shí)空實(shí)例，用來(lái)刻畫幀間一致性，用于輔助deepfake檢測(cè)。

具體而言，使用文本分類里常用的1-d卷積，使用不同大小的核對(duì)輸入的人臉序列從多視角上進(jìn)行編碼，以得到時(shí)空實(shí)例，用于最終檢測(cè)。

也就是說(shuō)，第二步，是將編碼后的時(shí)空實(shí)例提取出來(lái)，形成時(shí)間核大小不同的時(shí)空包。這些包被一起用來(lái)表示一段視頻。

最后，對(duì)這些包進(jìn)行S-MIL，算出所有包的fake分?jǐn)?shù)，這樣，就能得到整個(gè)視頻的最終fake分?jǐn)?shù)，從而判斷視頻到底是不是deepfake。

S-MIL定義如下：

其中，pi和p(i)^(j)分別是第i個(gè)包及其包里的第j個(gè)實(shí)例的正類概率；M為包里的實(shí)例數(shù)；w是網(wǎng)絡(luò)參數(shù)；h(i)^(j)是包i里的實(shí)例j對(duì)應(yīng)的特征。

由于現(xiàn)有的帶幀標(biāo)簽的數(shù)據(jù)集中，同一視頻中真假人臉混雜的樣本較少，研究人員還構(gòu)建了一個(gè)部分攻擊數(shù)據(jù)集FFPMS。

FFPMS共包含14000幀，包括4種類型的造假視頻（DF、F2F、FS、NT）和原始視頻，既有幀級(jí)標(biāo)簽，也包含視頻級(jí)標(biāo)簽。

檢測(cè)效果達(dá)到SOTA

研究人員在DFDC、Celeb和FFPMS數(shù)據(jù)集上對(duì)S-MIL進(jìn)行了評(píng)估。

實(shí)驗(yàn)結(jié)果表明，假臉的權(quán)重比較高，說(shuō)明該方法在僅需視頻級(jí)別標(biāo)簽的情況下，可以很好地定位到假臉，具有一定的可解釋性：

并且，該方法在視頻檢測(cè)上能到達(dá)到state-of-the-art的效果。