Ученые из Германии научили алгоритм выявлять подмену лиц на видео

Татьяна Новак

Ученые из Мюнхенского технологического университета в Германии создали алгоритм, который обнаруживает подмену лиц в видеозаписях с точностью до 99%. Препринт работы опубликован на Arxiv.org.

Благодаря последним достижениям в области компьютерного зрения и графики уже появились программы, способные подделывать лица людей на видео. Они могут как генерировать изображения лиц людей, которых на самом деле не существует, так и подменять лица людей на видео лицами других реально существующих людей. Например, такое приложение для подмены придумал один из пользователей Reddit и применил его для создания фейкового порно, заменил лица порноактрис лицами голливудских звёзд.

Как пишут учёные, на данный момент отличить поддельные лица от реальных достаточно легко невооружённым глазом. Однако, когда эти алгоритмы научатся создавать более реалистичные изображения, это может стать проблемой даже для биометрических систем. Чтобы подготовиться к такому развитию событий, исследователи разработали собственный алгоритм распознавания изображений XceptionNet, специализирующийся на выявлении подмены лиц.

Для обучения XceptionNet авторам пришлось создать около 1000 поддельных видеороликов с 500 000 фейковых лиц. Эту базу данных под названием FaceForensics они выложили на своём сайте, чтобы ею могли воспользоваться и другие разработчики. Обучающие видеоролики созданы с помощью программы face2face, которую в 2015 году разработала команда исследователей из Университета Эрлангена — Нюрнберга, Института информатики Общества Макса Планка и Стэнфордского университета.

Уже сейчас при работе с несжатыми изображениями с разрешением 128×128 пикселей алгоритм показывает точность 99% — это значительно лучше, чем другие подобные программы, например, Cozzolino и Rahmounl.

Используя результаты этой работы, ученые также создали алгоритм обратного действия, который не только выявляет поддельные лица, но и повышает реалистичность изображения. По результатам опроса независимых респондентов, он создает подделки на 8% лучше, чем face2face.

На усовершенствованных фейковых изображениях исследователи протестировали свой алгоритм XceptionNet и выяснили, что от визуального улучшения подделок его эффективность не снизилась.

Загрузить еще