本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

DeepFake被用到了電信詐騙里，該怎么破？

讓他轉過頭，看看他的側臉就好了。

DeepFake一直以來都存在著這樣一個漏洞：當偽造的人臉完全側著（轉90°）時，真實性就會急劇下降。

為什么會出現這樣的結果呢？

外網有這么一篇文章，解析了為什么在側臉的情況下，面部偽造的效果大打折扣。

側臉失真的原因

橫向限制

使用DeepFake換臉，當人臉是側角度時，真實性會急劇下降。

這是因為大多數基于2D的面部對齊算法，視捕捉到側視圖的特征點數量僅為主視圖的50%-60%。

以“Joint Multi-view Face Alignment in the Wild”中的Multi-view Hourglass面部對齊模型為例。

通過從面部識別特征點，以此為學習數據來訓練模型。

從圖中可以看出，正面對齊時識別到68個特征點數量，而在側面對齊時，僅僅識別到39個特征點數量。

側面輪廓視圖隱藏了50%特征點，這不僅會妨礙識別，還會干擾訓練的準確性以及后續人臉的合成。

DeepFake專家Siwei Lyu博士表示：

對于當前的DeepFake技術來說，側臉確實是一個大問題。面部對齊網絡（facial alignment network）對于正面效果非常好，但對于側面效果不太好。

這些算法有一個基本的限制：如果你只覆蓋你的臉的一部分，對齊機制就可以很好地工作，并且在這種情況下非常強大，但是當你轉身時，超過一半的特征點丟失了。

普通人影像資料“沙漠”

換臉要達到比較逼真的效果，還得經過大量的訓練，這意味著需要有足夠的訓練數據。

外網就有人通過訓練大量的數據，將杰瑞·宋飛人臉替換到到《低俗小說》(1994) 中的場景中。

獲得的側臉圖像也很難看出破綻：

但是達到如此逼真的效果，是經過了大量數據的訓練，在上述這個例子中，電視節目“Seinfeld”就為此次訓練提供了長達66個小時的可用鏡頭。

而相比之下，除了電影演員之外，普通人的影像資料都少之又少，并且在平時拍照記錄時，很少有人會記錄完全呈90°的側臉照。

因此，通過DeepFake偽造的人臉很輕易就在側臉時露出破綻。

也有網友在Hacker News上調侃道：

最近去一家不知名的銀行辦了張卡，竟然需要我的側身照，當時我還很疑惑，現在我終于知道為什么了。

用手在面前晃動也可以識別偽造的臉

視頻通話時判斷對方是不是DeepFake偽造的，除了通過側臉判斷，還有一個小方法：用手在面前晃動。

如果是偽造的人臉，手與臉部圖像的疊加可能會出現錯亂，并且手在晃動過程中會出現延遲現象。

△在換臉寡姐和X教授時，手和面部疊加發生錯亂

實時的DeepFake都會面臨這樣一個問題：需要將真實的遮擋物疊加到不真實的面部圖像上，一般稱這個操作為“遮罩”或“背景去除”。

并且，實時DeepFake模型需要能夠根據要求隨意執行摳圖，達到可令人信服的水平。

但往往也會有很多混淆的遮擋物來影響“摳圖”的過程，比如說具有人臉特征的遮擋物會給模型造成“困擾”，使其“摳圖”過程很難進行。

用手在偽造的臉前晃動，遮擋物的快速移動會給“摳圖”帶來很大的困難，從而造成很大的延遲，并且會影響疊加的質量。

One More Thing

換臉犯罪并不遙遠，已經有媒體報道過有嫌疑犯通過DeepFake換臉進行IT工作的遠程面試，以試圖侵入公司，獲取他們的客戶或財務數據，以及企業IT數據和專業信息等。

美國聯邦調查局（FBI）曾致函其互聯網犯罪投訴中心，稱收到過多起投訴，有人利用竊取的信息和深度偽造的視頻、語音申請遠程技術工作。

在聯邦機構5月份報告中描述的案例中，一些換臉嫌疑人通過幾層空殼公司進行操作，這使得識別他們的身份變得更加困難。