Edytujesz 深度人脸伪造与检测技术综述

<br><br><br>近年来，社交媒体上流传的假消息已经引起了诸多政治争议和风波②。 如今，深度伪造技术让假消息以更加可信的方式呈现在社会公众面前，就可能会进一步引发公民对于政治系统的信任赤字。 诚然，深度伪造技术存在着一些正面使用的前景，例如为商业发展、艺术创作、医疗行业等领域提供了新的发展空间。 但很快，网上就出现了可供下载的 FakeApp、Faceswap、DeepNude 等换脸软件，只需要按照软件提示输入几张图片就可以快速制造假视频。<br>深度伪造是一种利用人工智能和机器学习创建或改变视听内容的先进数字操纵形式。 本质上，深度伪造可以使某人看起来说过或做过从未真正发生的事情，产生的视频或音频难以与真实的区分开来。 使用Didit保护数字身份： Gamium的Didit是一种去中心化的数字身份解决方案，提供多层安全和验证，以保护个人和企业身份的真实性和完整性在数字环境中，这对于打击深度伪造和防止身份冒用至关重要。 深度偽造（英語：Deepfake），簡稱深偽，是英文「deep learning」（深度學習）和「fake」（偽造）的混成詞[1]，專指基於人工智能的人體圖像合成技術的应用。 此技術可將已有的圖像或影片疊加（英语：Superimposition）至目標圖像或影片上。<br>平台还提供了丰富的官方插件，支持业务流程的快速扩展和多场景应用，极大地加速了AI Agent部署和应用。 在這種情況下，深度偽造軟體可能會認錯要換臉的對象，導致二人的臉瞬間改變，被來回替換。 這樣可能會使對方的原本樣貌顯現出來，因為深度偽造軟體可能無法辨識遮住的人臉。 2024年2月，一位烏克蘭YouTuber發現她的聲音和臉部被盜用，罪犯同樣利用了深度偽造技術將她冒充爲一位虛假網路名人在中國社交媒體上進行商品推廣。<br>这个过程涉及收集大量数据并使用深度学习技术来分析和合成看似真实的新内容。 在Deepfakes技术的背后，这场艺术的较量实际上是一个复杂的训练过程，其中包括了无数次的尝试和错误，画家（生成器）不断尝试创作出新的作品，而评论家（鉴别器）则持续提供关键的反馈。  这个过程需要大量的"艺术作品"（图像数据）作为训练材料，以确保画家能够学习到制作各种不同风格和表情的技巧。<br>2025 年，Apple 授予 Speechify 备受瞩目的 Apple 设计奖，并在 WWDC 上称其为"帮助人们更好生活的重要资源"。  BUY VALIUM ONLINE Speechify 提供 1000 多种自然语音，支持 60 多种语言，用户遍布近 200 个国家。 对于创作者和企业，Speechify Studio 提供了包括 AI 语音生成器、AI 语音克隆、AI 配音 和 AI 语音变声器 在内的高级工具。 Speechify 还通过其高质量且经济高效的 文字转语音 API 为领先产品提供支持。 Speechify 曾被 《华尔街日报》、CNBC、《福布斯》、TechCrunch 等主流媒体报道，是全球最大的文字转语音服务提供商。 访问 speechify.com/news、speechify.com/blog 和 speechify.com/press 了解更多信息。 对大多数深度人脸伪造方法，往往从定性角度(如合成图像效果)在主观上比较优劣，而缺乏统一的客观评估。 因此，为了全面地量化评估不同伪造技术的性能，本节分别对4类伪造技术进行客观评估。<br>在常见的视频类深度伪造中，研究人员运用了多种检测方法，包括分析视频图像中的光照不连续性、阴影不连续性或几何位置不一致等图像的物理特征来辨别其真实性。 也有通过分析图像采集设备的物理特性，包括传感器噪声差异性特征、色差差异性特征来进行判断。 也有研究人员利用人的生理信号特征，如眨眼频率、脉搏、心率等不协调性和不一致性检测判别视频图像的真伪。 在全球范围内，AI伪造技术的快速演进正在推动产业格局的深刻变革。 据行业报告显示，2025年，全球"深度伪造"市场规模已突破50亿美元，预计未来五年内将以年复合增长率超过35%的速度持续扩大。 产业链的多元化发展也催生了"内容验证"、"数字取证"等新兴产业，促使行业从"单纯追求内容创新"转向"内容安全保障"。<br>但是，随着深度伪造技术的日益精进，这些假视频会变得越来越逼真，普通人通过肉眼想要区分真假将变得越来越困难，那时候对于政治人物形象和名誉的破坏将会愈加严重。 目前，Youtube 上已经出现了大量关于特朗普、奥巴马等政治人物的虚假视频②，Reddit、Pornhub 等网站上也出现了大量好莱坞女明星换脸后的虚假成人电影等，且这些假视频的点击量十分惊人。 2019 年 1 月，卡耐基国际和平研究所发表《国家如何应对深度伪造乱象》一文，指出深度伪造技术正在给各国政府和企业带来破坏性影响。 美国国会近来也专门就深度伪造技术的影响举行听证会，表明深度伪造技术在美国大选之年引发多方高度关注。 应对深度伪造技术的滥用及其安全挑战，需要加强研发预警检测手段，推进立法管制，加强宣传教育，推进国际安全合作治理。<br>在通过视频或图像驱动目标人物的方法中，Dual-generator采用双生成器网络，更好地保留了身份信息和面部表情，在各个指标上都达到了最优的结果。 属性编辑技术的典型方法中，FE-NeRF在三维空间中隐式对齐人脸面部语义和纹理信息，有效提高了伪造的人脸图像质量。 而人脸生成技术的典型方法中，StyleGAN和StyleGAN2都在FFHQ数据集上进行训练并测试，StyleGAN2在解决液滴伪影等问题后，取得了比StyleGAN更为出色的结果。 TediGAN[45]、AnyFace通过文本驱动人脸图像合成，在多模态数据集CelebA-HQ上进行测试和训练。 由于AnyFace采用了更为强大的语义特征提取器CLIP，文本语义表征更加丰富，因此合成指标上比TediGAN更优。 由于现有方法[1, 16-17]仅在全局特征上进行特征交互，缺乏对人脸局部例如嘴唇、眉毛等区域进行建模，限制了模型保持身份一致性的能力。<br><br>