智東西（公眾號(hào)：zhidxcom）

編譯 | 心緣

感謝 | 漠影

智東西6月185分鐘前道，看看下面這些人得照片，你能看出什么問(wèn)題么？

這些或微笑或笑容滿面得人，都是假得，由一個(gè)名為StyleGAN得著名人工智能（AI）模型生成，現(xiàn)實(shí)生活中并不存在。

Deepfake深度偽造技術(shù)愈發(fā)強(qiáng)大，令人們難以分辨它所偽造圖像得真假，一旦這一技術(shù)被大規(guī)模用于惡意意圖，則將后患無(wú)窮。

對(duì)此，F(xiàn)acebook與密歇根州立大學(xué)（MSU）合作，提出了一種新研究方法，不僅能檢測(cè)出假支持，而且能通過(guò)逆向工程，發(fā)現(xiàn)偽造出這個(gè)假圖得AI生成模型是如何設(shè)計(jì)得。

值得注意得是，有些生成模型是此前從未見(jiàn)過(guò)得，通過(guò)一系列超參數(shù)分析，這種新研究方法仍能找出一些偽造支持得共同近日。

這將幫助有效追蹤到各種社交網(wǎng)絡(luò)上傳播得以假亂真得支持，以及發(fā)現(xiàn)協(xié)同虛假信息或使用深度偽造發(fā)起得其他惡意攻擊。

Facebook研究科學(xué)家Tal Hassner稱：“在標(biāo)準(zhǔn)基準(zhǔn)上，我們得到了蕞先進(jìn)得結(jié)果?！?/p>一、用“指紋”鑒定圖像得近日

Facebook得新AI方法，是如何工作得？

模型解析流程

研究人員首先通過(guò)指紋估計(jì)網(wǎng)絡(luò)（FEN）運(yùn)行了一組深度偽造圖像，來(lái)估計(jì)AI生成模型留下得指紋細(xì)節(jié)。

什么是指紋？

對(duì)于人類而言，指紋就像個(gè)人標(biāo)識(shí)一樣，具有不變性、唯一性、可分類性。

具備類似特征得標(biāo)識(shí)也存在于設(shè)備上。例如在數(shù)碼感謝對(duì)創(chuàng)作者的支持中，因制造過(guò)程得不完善，特定設(shè)備會(huì)在其產(chǎn)生得每張圖像上留下獨(dú)特得圖案，可被用于識(shí)別產(chǎn)生圖像得數(shù)碼相機(jī)。這種圖案被稱之為設(shè)備指紋。

同樣，圖像指紋是生成模型在生成得圖像中留下得獨(dú)特圖案，能用來(lái)識(shí)別圖像來(lái)自得生成模型。

在深度學(xué)習(xí)時(shí)代前，研究人員常用一套小型得、手工制作得、眾所周知得工具來(lái)生成支持。這些生成模型得指紋通過(guò)其手工特征來(lái)估計(jì)。而深度學(xué)習(xí)使得工具能無(wú)限生成圖像，致使研究人員不可能通過(guò)手工特征來(lái)識(shí)別指紋屬性。

由于可能性無(wú)窮無(wú)盡，研究人員決定根據(jù)指紋得一般屬性，使用不同得約束條件來(lái)估計(jì)指紋，這些屬性包括指紋大小、重復(fù)性質(zhì)、頻率范圍和對(duì)稱頻率響應(yīng)。

然后，這些約束通過(guò)不同得損失函數(shù)被反饋到FEN中，以強(qiáng)制生成得指紋具有這些所需得屬性。指紋生成完成后，就能用作模型解析得輸入。

通過(guò)識(shí)別這些圖像中得獨(dú)特指紋，F(xiàn)acebook得AI可以分辨出哪些偽造圖像由同一個(gè)生成模型創(chuàng)建。

圖像歸因：找出哪些圖像由同一個(gè)生成模型產(chǎn)生

二、模擬超參數(shù)，推斷deepfake模型結(jié)構(gòu)

每個(gè)生成模型，都有自己獨(dú)特得超參數(shù)。

超參數(shù)是被用于指導(dǎo)模型自學(xué)過(guò)程得變量。比如模型得網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練損失函數(shù)類型得超參數(shù)設(shè)置，都會(huì)對(duì)生成圖像得方式和結(jié)果產(chǎn)生影響。

如果能弄清楚各種超參數(shù)，則可以由此找出創(chuàng)建某一圖像得生成模型。

為了更好地理解超參數(shù)，F(xiàn)acebook團(tuán)隊(duì)將生成模型比作是一種汽車，其超參數(shù)則是各種特定得發(fā)動(dòng)機(jī)部件。不同得汽車可能看起來(lái)很相似，但在引擎蓋下，它們可以有非常不同得引擎和組件。

研究人員稱，其逆向工程技術(shù)有點(diǎn)像根據(jù)聲音來(lái)識(shí)別汽車得部件，即使此前從未聽(tīng)說(shuō)過(guò)這輛車。

逆向工程技術(shù)能找出未知模型得特征

一旦系統(tǒng)能夠始終如一地將真指紋與深度偽造指紋分開(kāi)，它就會(huì)將所有假指紋轉(zhuǎn)儲(chǔ)到一個(gè)解析模型中，以模擬出它們得各種超參數(shù)。

通過(guò)其模型解析方法，研究人員可以估計(jì)用于創(chuàng)建deepfake得模型網(wǎng)絡(luò)結(jié)構(gòu)，比如有多少層，或者被訓(xùn)練了什么損失函數(shù)。

為了便于訓(xùn)練，他們對(duì)網(wǎng)絡(luò)結(jié)構(gòu)中得一些連續(xù)參數(shù)進(jìn)行了歸一化處理，并對(duì)損失函數(shù)類型進(jìn)行了層次學(xué)習(xí)。

由于生成模型在網(wǎng)絡(luò)架構(gòu)和訓(xùn)練損失函數(shù)方面存在很大差異，從deepfake或生成圖像到超參數(shù)空間得映射，使他們能夠批判性地理解用于創(chuàng)建它得模型得特征。

通過(guò)模型解析，可以推斷出未知模型是如何設(shè)計(jì)得

三、從100個(gè)生成模型，合成10萬(wàn)張假圖

為了測(cè)試這一方法，密歇根州立大學(xué)得研究團(tuán)隊(duì)將從100個(gè)公開(kāi)可獲得得生成模型中生成得10萬(wàn)張合成圖像，整合到一個(gè)偽造圖像數(shù)據(jù)集中。

這100個(gè)生成模型中得每一個(gè)，都對(duì)應(yīng)著一個(gè)由整個(gè)科學(xué)界研究人員開(kāi)發(fā)和共享得開(kāi)源項(xiàng)目。一些開(kāi)源項(xiàng)目已經(jīng)發(fā)布了偽造支持。

在這種情況下，密歇根州立大學(xué)得研究團(tuán)隊(duì)隨機(jī)挑選了1000張支持。在開(kāi)源項(xiàng)目沒(méi)有任何可用偽造圖像得情況下，研究團(tuán)隊(duì)運(yùn)行他們發(fā)布得代碼，生成1000張合成圖像。

考慮到測(cè)試圖像可能來(lái)自現(xiàn)實(shí)世界中不可見(jiàn)得生成模型，研究團(tuán)隊(duì)通過(guò)交叉驗(yàn)證來(lái)模擬現(xiàn)實(shí)世界得應(yīng)用，以訓(xùn)練和評(píng)估其模型對(duì)數(shù)據(jù)集得不同分割。

從100個(gè)生成模型中每一個(gè)生成得圖像在左邊產(chǎn)生一個(gè)估計(jì)得指紋，在右邊產(chǎn)生一個(gè)相應(yīng)得頻譜。許多頻譜顯示出不同得高頻信號(hào)，而有些頻譜看起來(lái)彼此相似。

除了模型解析，其FEN可以用于deepfake檢測(cè)和圖像歸因。對(duì)于這兩個(gè)任務(wù)，研究人員添加了一個(gè)淺層網(wǎng)絡(luò)，輸入估計(jì)得指紋并執(zhí)行二值（深deepfake檢測(cè)）或多類分類（圖像歸屬）。

雖然Facebook得指紋估計(jì)不是為這些任務(wù)量身定制得，但研究人員稱，他們?nèi)匀蝗〉昧司哂懈?jìng)爭(zhēng)力得技術(shù)水平得結(jié)果，這表明其指紋估計(jì)具有出色得泛化能力。

來(lái)自100個(gè)生成模型得深度偽造圖像得多樣化集合意味著其模型是通過(guò)代表性選擇建立得，具有更好得泛化跨人類和非人類表示得能力。

盡管一些用于生成深度偽造得原始圖像是公開(kāi)可用得人臉數(shù)據(jù)集中得真實(shí)個(gè)人圖像，密歇根州立大學(xué)研究團(tuán)隊(duì)開(kāi)始了法醫(yī)風(fēng)格得分析，使用深度偽造圖像，而不是用于創(chuàng)建它們得原始圖像。

由于該方法涉及將深度偽造圖像解構(gòu)到其指紋，研究團(tuán)隊(duì)分析了該模型能否將指紋映射回原始圖像內(nèi)容。

結(jié)果表明，這種情況沒(méi)有發(fā)生，這證實(shí)了指紋主要包含生成模型留下得痕跡，而不是原始深度偽造得內(nèi)容。

所有用于這項(xiàng)研究得假臉圖像，以及逆向工程過(guò)程得所有實(shí)驗(yàn)，都來(lái)自密歇根州立大學(xué)。

密歇根州立大學(xué)將向更廣泛得研究社區(qū)開(kāi)放數(shù)據(jù)集、代碼和訓(xùn)練模型，以促進(jìn)各個(gè)領(lǐng)域得研究，包括深度偽造檢測(cè)、圖像歸因和生成模型得逆向工程。

結(jié)語(yǔ)：深偽vs防深偽，長(zhǎng)期得貓鼠感謝原創(chuàng)者分享

Facebook與密歇根州立大學(xué)得這一研究，推動(dòng)了deepfake檢測(cè)得理解邊界，引入了更適合真實(shí)世界部署得模型解析概念。

這項(xiàng)工作將為研究人員和從業(yè)人員提供工具，以更好地調(diào)查協(xié)調(diào)虛假信息事件，使用深度偽造，并為未來(lái)得研究開(kāi)辟新得方向。

但值得注意得是，即便是蕞先進(jìn)得結(jié)果，也未必全然可靠。去年Facebook舉辦深度檢測(cè)大賽，獲勝算法只能檢測(cè)到AI操縱得視頻得65.18%。

研究人員認(rèn)為，使用算法發(fā)現(xiàn)deepfake，仍是一個(gè)“未解決得問(wèn)題?！辈糠衷蚴?，生成AI領(lǐng)域非常活躍，每天都有新得技術(shù)發(fā)布，任何檢測(cè)器幾乎不可能完全跟上。

當(dāng)被問(wèn)及是否會(huì)出現(xiàn)這種新方法無(wú)法檢測(cè)到得生成模型時(shí)，Hassner同意：“我預(yù)計(jì)會(huì)這樣?！彼J(rèn)為，deepfake研發(fā)與deepfake檢測(cè)得研發(fā)，“將繼續(xù)是一場(chǎng)貓鼠感謝原創(chuàng)者分享”。

近日：Facebook AI，The Verge