AI换脸，流行一阵儿了；其中原理你一定也明白!

 

 

 

两三年前，有人在网上第一次发布了把影视名人的脸换到各种场合的视频中的时候，大家都是目瞪口呆的。这个作假的水平太高了，肉眼基本上看出端倪。各种各样的应用和娱乐很快流行起来，也掀起了关于隐私和道德的口水战。虽说今天真正赚钱的应用，除了某类小视频以外并不太多，但这并不影响大家对技术的追求和场景的多元化。

 

这个AI换脸的技术一般叫做 “deepfake”（深度做假）。有了这个利器，你可以把任何视频里面的人物，替换成为名人或者你中意的人物。对于视频中的每一帧图片，只需要3个步骤：

1. 检测和定位人脸
2. 把人脸替换为目标人脸
3. 把目标人脸拼接回原图片

 

这里的第一步人脸检测，咱们上一期已经讨论过（欢迎来公众号查看）。

 

今天我们主要讲最关键的第二步，如何把原图片中的人脸替换成为目标人物。

 

 

1. 先用形象的比喻来解释这个问题

 

比如有两个画家老A和老B，老A只擅长给名人画肖像，比如伟大领袖之类的人物。老A画出来的人一般都是严肃端庄，高贵典雅。 老B不一样，只擅长画下里巴人和贩夫走卒等小人物的肖像。老B画出来的人物都非常有生活气息，走路，干活，咧嘴挠头等动作跃然纸上。

 

有一天老A心血来潮，看到一个玩猫逗狗的乡村孩童，禁不住想画出来。但是长期的名人肖像绘画本领限制了老A。老A画完了大家一看，怎么看都是一个王子在逗狗。原因就是老A不知不觉的把贵公子的气质（表情神态等）嫁接到了玩狗的乡村小孩身上。同样的道理，如果老B看到一个名人（如特朗普）做演讲，如果画出来，一定是郭德纲到联合国发表演讲的既视感。

 

上面就是换脸的本质原因。

 

画家老A和老B虽说画不同的人物，但是他们都掌握了画人的共性，要有鼻子，眼睛，眉毛等特点。但是他们都只擅长画各自领域的人物，又说明他们掌握了不同人物的特性。这种共性能让他们虽说切换人物场景，但是根深蒂固的特性又让他们笔下的人物的风格不会改变。

 

AI换脸本质也是这样，把两个人照片都拿来一起学习和训练，找到一个理解共性的解码方法，接着再掌握两个不同特性的编码方法。有了这个共性的解码技术，和两个特性的编码方，换脸也就水到渠成。

 

 

1. 具体的技术实现原理

 

最初的deepfake技术，就是基于编码和解码的自编码深度神经网路。

 

先说说什么是自编码模型，自编码就是用一个多层的神经网络模型，把目标（比如一张图片）一层一层的分析，再一层一层的恢复。输入是这个图片的像素值，输出也是图片的像素值。模型用来判断的方法就是，输入和输出越一致，这个自编码结构越好。

 

打给比方，给你一个玩具，让你先拆开，再复原。复原得越好，说明你掌握了拆分复原的能力！自编码的神经网路结构是这样的，可以想象这个结构是对称的。

 

 

 

具体到AI换脸的deep fake技术，是这样设计的。假如我们要交换人脸A和人脸B：

1. 把A的图片扭曲处理，训练一个通用共享的编码器（用于压缩图片），寻找共性，和一个专用的A解码器（专门用于把扭曲的A恢复成功，学习特性）
2. 把B的图片扭曲处理，训练一个通用共享的编码器（用于压缩图片），寻找共性，和一个专用的B解码器（专门用于把扭曲的B恢复成功，学习特性）

 

训练过程中，把照片先扭曲处理和设置一个共享的编码器都是提高模型稳定性的方法。

一旦训练成功，我们把B的图片先传入通用共享的编码器，再传入A解码器，就得到了一张B’脸。这个B’脸是一个拥有B脸特征（比如有一个痣）却长在A脸盘子上的脸（具有A脸姿势亮度甚至表情）。换脸成功！

 

 

上面的技术需要不少A和B的图片做训练。后期，deepfake技术进行了升级，在之前框架上，把编码解码这套东西置换成了更厉害的了GAN（生成对抗网络）技术。利用GAN，

降低了同等条件下的模型参数量和模型复杂度，也降低了了对原图的依赖，提升了换脸的效果。现在最新的技术，只要一张B的脸图片就可以把B的脸部特征嫁接到其他任何视频中去。所以现在有些应用就是上传一张照片，就能生成你在某个电影里的桥段。让你也当一回主角儿！就是注意不要被坏人利用，成了某类小视频里面的人物。

热烈欢迎关注我的公众号：