正在阅读:在虚拟的互联网上 你能猜出哪张是真人照片吗?在虚拟的互联网上 你能猜出哪张是真人照片吗?

2019-02-24 00:15 出处:PConline原创 作者:卡夫卡 责任编辑:sunziyi

  【PConline 杂谈】各位是否还记得NVIDIA新一代StyleGAN?没错,它能生成以假乱真的虚拟人工脸。现在,NVIDIA已经将StyleGAN开源,一些“疯狂”的开发者借此继续将其发扬光大——在线生成人工脸,图像逼真到可怕。未来,我们在互联网上看到的美女,可能根本就不存在于这个世界当中,不信你可以亲自分辨看看!

   近期,来自Uber的软件工程师Philip Wang,利用NVIDIA的StyleGAN算法,并使用生成式对抗网络(GAN)创建新的样本,设计出一个网站ThisPersonDoesNotExist.com,每当访问者刷新网页后,网站便会生成一个全新的面部图像,引来了广泛的关注。

   作为一种深度学习模型,生成式对抗网络GAN是近年来复杂分布上无监督学习最具前景的方法之一,目前GAN最常使用的地方就是图像生成,模型通过框架中生成模型(Generative Model)和判别模型(Discriminative Model)两个模型互相训练,从而获得更好的输出效果。也就是说,一个(生成模型)试图生成与真实照片无法区分的合成图像,另一个(判别模型)试图分辨出差异,经过几周的训练后,图像创建网络可以生成以假乱真的人脸了。

   例如下面这一组照片,你能想到照片中的这些人脸都是由计算机生成吗?↓

   StyleGAN的优势在于其使用了基于风格迁移的全新生成器架构,可以通过对样式进行特定尺度的修改来控制图像合成。如下图所示,这里我们将传统生成器架构与基于风格的生成器架构进行对比。我们可以看到,在传统生成器架构中,隐码(Latent)是通过输入层提供给生成器的,即前馈网络的第一层;新架构则完全省略输入层而从一个学习的常量开始,以脱离传统设计,在输入隐空间Z中,给定一个隐码z,一个映射网络f。

   对此,英伟达的研究人员也在论文中写到过,自己提出的新架构可以完成自动学习,无监督地分离高级属性(例如在人脸上训练时的姿势和身份),以及生成图像中的随机变化,并且可以对合成进行更直观且特定于比例的控制。

  因此,新一代StyleGAN在生成和混合图像,特别是人脸图像时,可以更好地感知图像之间有意义的变化,并且在各种尺度上针对这些变化做出引导。这也是它可以很好的控制发色、眼睛与鼻子的大小、嘴型等脸部特征的原因所在。当然,除了用在人身上外,该算法还能用于汽车、动物、风景等图像的生成。

   在StyleGAN之前,我们曾一度相信任何人都无法凭空地合成一张真人照片,也就是说一张照片上的人必定是来自现实中的某个人,即使是网上那些PS过度的照骗,尽管比本人差距较大,但它也一定来源于某个人。但现在,新的逆向机器学习算法打破了这一规则,它可以让人们快速生成从未存在过的人的“合成照”,网络上的身份可以轻松伪装。

   实际上,ThisPersonDoesNotExist.com网站也是为了让我们注意到,使用GAN的正/反两面。起正面意义在于,由于该算法可以制作人脸、动画人物、风景等事物,因此能为电影从业者、插画设计师等艺术工作者带来极大的帮助,例如创建各种虚拟环境。

   与此同时,合成如此逼真的人脸也引起不少人的恐慌,我们都怕它会成为下一个DeepFake。现在,“DeepFake”已被用于指代所有看起来或听起来像真的,实则却是假视频或音频。在这种技术滥用面前,我们每一个人都可能成为潜在的受害者。

   文章的最后,我们说点轻松的,如果你对“猜真假”感兴趣,可以访问http://www.whichfaceisreal.com试试看,在真人与AI的合成照片中,你能猜中几个?

谁是真人?
谁是真人?















答案是:左边
答案是:左边

 
在虚拟的互联网上 你能猜出哪张是真人照片吗? 每天还在悠哉的上网?其实网络黑产就在你身边 作为第五代移动通信网络 5G电影院是怎样的体验 一盆冷水真激人 中国3D打印能制霸全球航空? 想要回忆不一样的春节?使用佳能瞬彩就对了

为您推荐

加载更多
加载更多
加载更多
加载更多
加载更多
加载更多
加载更多
加载更多
加载更多
IT热词

网络设备论坛帖子排行

最高点击 最高回复 最新
最新资讯离线随时看 聊天吐槽赢奖品