通过检测人脸变形伪影揭露DeepFake视频

在本工作中，我们描述了一种基于深度学习的新方法，可有效区分AI生成的伪造视频（以下称为{\em DeepFake}视频）与真实视频。我们的方法基于如下观察：当前DeepFake算法只能生成有限分辨率的图像，需进一步变形以匹配源视频中的原始人脸。此类变换在生成的DeepFake视频中留下独特伪影，我们展示这些伪影可被卷积神经网络（CNNs）有效捕获。与先前使用大量真实与DeepFake生成图像训练CNN分类器的方法相比，我们的方法不需要DeepFake生成图像作为负训练样本，因为我们以仿射人脸变形中的伪影作为区分真实与伪造图像的特征。我们方法的优势有两方面：（1）此类伪影可直接通过对图像使用简单图像处理操作来模拟，将其作为负样本。由于训练DeepFake模型生成负样本耗时耗资源，我们的方法在训练数据收集上节省大量时间与资源；（2）由于此类伪影普遍存在于不同来源的DeepFake视频中，我们的方法相较其他更鲁棒。我们的方法在两套DeepFake视频数据集上评估了其在实践中的有效性。