Este algoritmo detecta automáticamente los intercambios de rostros en los videos.

La capacidad de tomar el rostro o la expresión de una persona y superponerla en un video de otra persona se ha hecho posible recientemente. En particular, han aparecido videos pornográficos llamados deepfakes en sitios web como Reddit y 4Chan que muestran caras de personas famosas superpuestas a los cuerpos de los actores.

Este fenómeno tiene implicaciones significativas. Como mínimo, tiene el potencial de socavar la reputación de las personas que son víctimas de este tipo de falsificación. Plantea problemas para los sistemas de identificación biométrica. Y amenaza con socavar la confianza pública en videos de cualquier tipo.

Por lo tanto, se necesita desesperadamente una forma rápida y precisa de detectar estos videos.

¿Cuáles de estos pares de imágenes son falsificaciones? Responda abajo.

Ingrese a Andreas Rossler en la Universidad Técnica de Munich en Alemania y sus colegas, quienes han desarrollado un sistema de aprendizaje profundo que puede detectar automáticamente videos de intercambio de caras. La nueva técnica podría ayudar a identificar videos falsificados a medida que se publican en la web.

Pero el trabajo también tiene escozor en la cola. La misma técnica de aprendizaje profundo que puede detectar videos de intercambio de rostros también se puede usar para mejorar la calidad de los intercambios de rostros en primer lugar, y eso podría hacer que sean más difíciles de detectar.

La nueva técnica se basa en un algoritmo de aprendizaje profundo que Rossler y compañía han entrenado para detectar intercambios de rostros. Estos algoritmos solo pueden aprender de grandes conjuntos de datos anotados de buenos ejemplos, que simplemente no existían hasta ahora.

Entonces, el equipo comenzó creando un gran conjunto de datos de videos de intercambio de caras y sus originales. Utilizan dos tipos de intercambios de rostros que se pueden realizar fácilmente mediante un software llamado Face2Face. (Este software fue creado por algunos miembros de este equipo).

El primer tipo de cambio de rostro superpone el rostro de una persona al cuerpo de otra para que adopte sus expresiones. El segundo toma las expresiones de una cara y modifica una segunda cara para mostrarlas.

El equipo ha hecho esto con más de 1000 videos, creando una base de datos de alrededor de medio millón de imágenes en las que los rostros han sido manipulados con un software de edición de rostros de última generación. Llamaron a esto la base de datos FaceForensics.

El tamaño de esta base de datos es una mejora significativa con respecto a lo que estaba disponible anteriormente. Presentamos un nuevo conjunto de datos de videos manipulados que supera todos los conjuntos de datos forenses disponibles públicamente en órdenes de magnitud, dicen Rossler y compañía.

Luego, el equipo usa la base de datos para entrenar un algoritmo de aprendizaje profundo para reconocer la diferencia entre los intercambios de rostros y sus originales sin adulterar. Llaman al algoritmo resultante XceptionNet.

Finalmente, comparan el nuevo enfoque con otras técnicas de detección de falsificaciones.

Los resultados son impresionantes. XceptionNet claramente supera a otras técnicas en la detección de videos que han sido manipulados, incluso cuando los videos han sido comprimidos, lo que hace que la tarea sea significativamente más difícil. Establecimos una línea de base sólida de resultados para detectar una manipulación facial con arquitecturas modernas de aprendizaje profundo, dicen Rossler y compañía.

Eso debería facilitar la detección de videos falsificados a medida que se cargan en la web. Pero el equipo es muy consciente de la naturaleza del gato y el ratón de la detección de falsificaciones: tan pronto como surge una nueva técnica de detección, la carrera comienza a encontrar una manera de engañarla.

Rossler y compañía tienen una ventaja natural desde que desarrollaron XceptionNet. Entonces lo usan para detectar las señales reveladoras de que un video ha sido manipulado y luego usan esta información para refinar la falsificación, haciéndola aún más difícil de detectar.

Resulta que este proceso mejora la calidad visual de la falsificación, pero no tiene mucho efecto en la capacidad de detección de XceptionNet. Nuestro refinador mejora principalmente la calidad visual, pero solo obstaculiza ligeramente la detección de falsificaciones para el método de aprendizaje profundo entrenado exactamente en los datos de salida falsificados, dicen.

Es un trabajo interesante ya que presenta una forma completamente nueva de mejorar el proceso de manipulación de imágenes. Creemos que esta interacción entre la manipulación y la detección es una vía extremadamente emocionante para el trabajo de seguimiento, dicen.

Ref: arxiv.org/abs/1803.09179 : FaceForensics: un conjunto de datos de video a gran escala para la detección de falsificaciones en rostros humanos

Respuesta: La imagen superior de cada par es real.

esconder