小胖有技能|还能一键卸妆，AI又进阶！除了鉴别PS图片( 二 ) 作者|马超编辑|伍杏玲封图|视觉中国出

人脸识别技术被广泛应用了一年多以后的2018年末，人脸伪造技术即AI换脸技术迎来爆发。
先是SIGGRAPH（暨国际计算机图形学会）的2018年年会上，当时一个由斯坦福大学、慕尼黑技术大学、巴斯大学等科研究机构联合研发的DeepVideoportrait模型横空出世。
该技术不但能让被替换的人脸完全模仿原视频中人物的表情，甚至在放大对比时，两个视频在发丝和睫毛的表现上都能做到极度的精确，后来其论文被发表在了《ACM图形交易》上。
目前在GitHub上，由DeepVideoportrait技术衍生而来的开源项目数量不下十几个，其中以FaceSwap、OpenFaceswap等开源项目为代码的换脸技术在GitHub上的更新与讨论十分热烈，后来一名叫做换脸哥的网友在微博上传了一段由杨幂换脸朱茵而主演的《射雕英雄传》，让我们对于人脸识别安全风险给予了足够的重视，从而开始考虑使用人脸、声纹、瞳距等多模态方法来提高准确性。

文章图片
初识FM2u-Net
化妆导致的容貌的显著变化，是妆容迁移不变性模型所要面临的首要问题，而且目前绝大部分数据集当中，也没有给出化妆/未化妆的分类集，这从客观上也增加了妆容迁移问题的实现难度。
面部妆容迁移目的是在任意给定的化妆图像中呈现非化妆的面部图像，同时保留面部特征。当前最佳方法是将化妆风格信息从人脸图像中分离出来，实现化妆效果的传递。
华为和复旦的研究人员提出了一种FM2u-net也就是形态多分支网络，来完成妆容迁移不变性的工作，从宏观上看FM2u-net由两个FM-Net和一个AttM-Net共同组成。整体架构图如下：

文章图片
其中FM-Net由两个堆叠的自动编码器组成，可以通过循环一致的方式来对于化妆区域进行不变性转移，合成具有不同化妆信息的真实面容，进而合成逼真的化妆人脸图像。生成网络AttM-Net由一个全球分支和三个本地分支组成，将人脸图像进一步分解为四个独立分量，包括整体风格、左眼风格、右眼风格、嘴部风格，可以有效地捕捉互补的整体和细节信息。 AttM-Net的架构图如下：

文章图片
AttM-Net不仅可以控制全局化妆风格的程度，还可灵活地调节局部化妆风格的程度。 FM2u-net不但能瞬间将素颜化上烟熏妆，能从自然风瞬间切换至典型风，可以产生更真实和准确的化妆迁移结果。
目前图片篡改识别与妆容迁移方面的应用，还没有非常完善、高效的技术方案。不过根据CV技术的发展趋势，未来AI“火眼金睛”的练成只是时间问题。甚至笔者畅想，视频网站会推出一键还原场景的功能，让用户突破视频特效，看到演员在绿幕前的表演。

文章图片