深度伪造技术中的GAN算法解析

Deepfake指的是使用AI技术合成特定视频中特定人物的面孔. 2018年4月,美国前总统巴拉克·奥巴马批评总统唐纳德·特朗普的视频逐渐为世人所知.  

Deepfake技术不仅允许特定人物的表达,而且允许手势和声音被复制. 应用于深假的AI算法是Generative Aversarial Network(GAN). 

让我们仔细看看甘。

基因对立神经网络(GAN)由两个神经网络组成.

它由一个发电机和一个判别器组成。 在这里，如果一个创作者模仿实际内容的规律并创造假内容，学习者学习的方式会决定内容的真实性。 

开展培训需要训练数据。 GAN的学习数据是指生成器必须模仿的真实数据。例如，如果你教一个模型画一个人的脸，你需要一张一个人的脸的照片。 

脸部数据三。

学习很简单。 不需要一个人来设定一个答案,比如给每个数据的类别贴上标签,像一个分类问题. 由于GAN学习具有无监督学习的性质,你只需要输入你想要模仿的数据. 两个神经网络随后竞相学习. 这是因为他们互相竞争,互相学习,所以"敌意"一词被命名. 因此,两个神经网络在分析差异和相互学习时的进化,体现在学习过程中.

构造者接受培训的目的是模仿学习数据的规律，以尽量减少判别器的准确性。默认情况下，对构造器的输入是随机噪声，输出是具有类似学习数据模式的数据。即构造器学习一个函数，将随机噪声转换成类似于学习数据的图案。

歧义者被教导去判断输入给出的数据是否是学习数据中包含的真实数据，是否是构造者创造的假数据，并尽量增加判定成功的概率。换句话说，判别器获取真实或虚假的数据，并输出出真实数据的概率值。 

现有的AI技术,即"歧视模式",是用来回答特定问题,如物体识别或面部识别的训练模式. 相比之下,GAN在图像合成领域被广泛使用,因为它们可以生成或再生成新的图像. 然而,名人经常被用于诸如伪造等综合周围人民面孔的犯罪,这引发了几场道德辩论.

然而,GAN不仅用于图像合成领域. 各种领域可以广泛使用GAN,学术界正在积极研究GAN模式. 特别是,如果进行专利分析,可以使用敌对的学习方法来创建抗噪声的模型.