Förtroendespel. Hur du skapar din egen DeepFake på 5 minuter

I den här artikeln kommer vi att prata om hur man gör en professionell DeepFake utan att skriva några hundra rader kod.

Om du läser den här artikeln har du troligen redan hört talas om algoritmen för artificiell intelligens som heter DeepFake. Idag används deepfakes nästan överallt: från bio till porrfilmer. En nyligen genomförd studie visade att 96 % av deepfakes på Internet faktiskt är porrfilmer. I de flesta fall skapar användare falska kändisporrfilmer eller använder teknik för hämndporr.

Förutom pornografi används tekniken även inom politik, skapande av falska nyheter och olika slags bedrägerier. Det finns många liknande videos på internet med olika politiska personer, i en av dem kallade Obama till exempel Trump för en total dipshit (en skitstövel). I april 2018 visade BuzzFeed hur långt djupt videoförfalskning har kommit genom att kombinera Barack Obamas ansikte och Jordan Peeles övertygande röst.

BuzzFeed Deepfake exempel

Tekniken används dock inte bara till nackdel, utan också till gagn för samhället. Till exempel, i Salvador Dali Museum i Florida, för att hedra den berömda konstnärens 115-årsjubileum, anordnades en specialutställning Dalí Lives ("Dali lever"). Projektkuratorerna använde en AI-genererad prototyp av konstnären, som kommunicerade med museibesökare och berättade historier om hans målningar och liv.

Men du behöver inte vara en skicklig utvecklare för att skapa din egen deepfake. Allt du behöver är ett vanligt foto som du vill animera och en video av din favoritartist eller den vars rörelser du vill imitera.

För att simulera processen som beskrivs ovan kommer vi att implementera bildanimering, vilket är möjligt med hjälp av neurala nätverk som får bilden att röra sig i den videosekvens du väljer. Efter att ha läst den här artikeln till slutet kommer du att förstå att du kan animera vilket foto som helst utan att skriva en enda rad kod.

Hur det fungerar?

Deepfakes är baserade på generativa adversariella neurala nätverk (GAN). Dessa är algoritmer baserade på maskininlärning som kan generera nytt innehåll från en given uppsättning. Till exempel kan GAN studera tusen fotografier av Barack Obama och skapa sina egna, och bevara alla drag och ansiktsuttryck från ex-presidenten.

Vi kommer att använda modellen som introducerades i " First Order Motion Model for Image Animation ", som är ett nytt tillvägagångssätt för att ersätta ett objekt i en video med en annan bild utan att specificera ytterligare information och skriva ytterligare kod.

Innan du bygger en videosekvens är det mycket viktigt att förstå exakt hur man gör det.

När du använder den här modellen hjälper det neurala nätverket till att rekonstruera videon, där originalobjektet ersätts av ett annat objekt som finns i originalbilden. Under testningen försöker programmet förutsäga hur objektet i originalbilden kommer att röra sig, baserat på den tillagda videon. Således spåras varje minsta rörelse som presenteras på videon, med början med huvudsvängen och slutar med rörelsen av läpparnas hörn.

Processen att skapa DeepFake

Tester utförs på ett stort antal videor. För att rekonstruera videon extraherar modellen flera ramar och försöker lära sig mönstren för de utförda rörelserna. Genom att analysera den extraherade informationen lär hon sig att koda rörelsen som en blandning av nyckelpunktsrörelser som är specifika för den och dess egna affina transformationer.

Under testningen rekonstruerar modellen videosekvensen genom att lägga till ett objekt från originalbilden till varje bildruta i videon och animerar den därför.

Ramverket implementeras genom användning av en rörelseutvärderingsmodul och en bildgenereringsmodul.

Syftet med modulen för rörelsebedömning är att förstå exakt hur de utförs (" latent rörelserepresentation "). Enkelt uttryckt försöker den hålla reda på rörelserna i deras sekvens och koda dem för att flytta nyckelpunkter och registrera lokala affina transformationer. Resultatet är ett tätt rörelsefält och en ocklusal mask som samverkar. Masken bestämmer vilka delar av objektet, som rör sig i en viss sekvens, som ska ersättas av originalbilden (till exempel den nedre delen av ansiktet).

Till exempel, i denna GIF, är damens rygg inte animerad.

Slutligen skickas data som tas emot av rörelseuppskattningsmodulen till bildgenereringsmodulen tillsammans med originalbilden och den valda videofilen. Bildgeneratorn skapar ramar av rörlig video med det ursprungliga bildobjektet ersatt. Ramarna sammanfogas för att sedan skapa en ny video.

Skapandet av DeepFakes

Du kan enkelt hitta källkoden på Github, klona den på din egen maskin och köra allt där, dock finns det ett enklare sätt som gör att du kan få en färdig video på bara 5 minuter.

1. Följ länken: https://colab.research.google.com/github/AwaleSajil/DeepFake_1/blob/master/first_order_model_demo(Youtube)_new_audioV5_a.ipynb
2. Skapa en kopia av ipynb -filen på din Google-enhet.

3 Kör den första processen för att ladda ner alla nödvändiga resurser och ställa in modellparametrar.

4 Sedan kan du testa algoritmen med hjälp av en förberedd samling videor och foton. Välj bara en källbild från samlingen och videon du vill projicera på den bilden. Efter ett par minuter har du en färdig deepfake i dina händer.

5 För att skapa din egen video anger du sökvägen till originalbilden och rörlig video i den tredje cellen. Du kan ladda ner dem direkt till mappen med modellen, som kan öppnas genom att klicka på menymappikonen till vänster. Det är viktigt att din video är beskuren till ansiktet och är i mp4-format. Du kan också använda exemplen från samlingen i det här avsnittet.

Som ett resultat, genom att kombinera videon med Ivangai och fotot av Elon Musk, lyckades vi få följande deepfake