天下苦「假照」久矣，作為世上聞名的「亞洲四大邪術」之一，中國 PS 術讓人人皆可化身大片主人翁，與此同時也給現(xiàn)代社會帶來了不少的困惑與恐慌——如今網(wǎng)上充斥大量的「移花接木」虛假內(nèi)容，正沖擊著數(shù)字媒體在普羅大眾心中的信任感。鑒于此，Adobe 公司的研究員與自加州大學伯克利分校的科學家合作開發(fā)出了一款可用于識別 PS 軟件「液化」效果的工具。

PS 軟件的「液化」工具究竟有什么樣神奇的魔力呢?雷鋒網(wǎng) AI 科技評論給大家從網(wǎng)上找來一個教學樣板：

原來的照片

該照片被導入 PS 軟件后，經(jīng)歷了一系列「向前變形」、「擦漏光」、「縮小」等「液化」工程后，最終生成的效果圖如下：

是否很難相信這是同一個人?

近期很流行的老照片修復工作，雖然有人表示林徽因被整出了一張「網(wǎng)紅臉」……

為了破除這種由 PS「液化」工具制造出來的「幻術」，Adobe 與伯克利研究團隊訓練了一種可用于識別人像變化的卷積神經(jīng)網(wǎng)絡 (CNN)。簡單來說，這個工具最終要能回答以下三個問題：

我們能否創(chuàng)造出一款比人工識別更可靠的人像識別工具?

該工具是否能識別出人像具體經(jīng)歷了哪些更改?

我們可以撤消這些更改以恢復人像原本的模樣嗎?

最終識別準確率高達 99%!

具體研發(fā)流程上，研究人員先編寫了一個軟件腳本，對網(wǎng)上搜集來的數(shù)千張圖片實施「液化」功能，由此創(chuàng)建一個廣泛的圖像訓練集。接著一個子集被隨機選中用于網(wǎng)絡訓練。為了進一步考驗工具對于人工修整的識別能力，團隊還專門請來一名人類藝術家對那些混合在數(shù)據(jù)集里的圖像進行調(diào)整。

左邊是從 Flickr(頂部)以及 Open Images(底部)中抓取的真實圖片;右邊則是通過 PS 軟件的「液化」工具隨機自動創(chuàng)建的變形人像。我們可以看到，兩者之間相差甚微。

研究團隊在該數(shù)據(jù)集上對全局 & 局部變形預測網(wǎng)絡進行訓練，以局部預測網(wǎng)絡為例，團隊使用包括 flow warping prediction、relative warp preservation 和 pixel-wise reconstruction loss 等系列損失函數(shù)在內(nèi)的訓練組合。最終，團隊給我們展示了部分應用程序，包括能夠有效識別出人像調(diào)整區(qū)域的可視化覆蓋工具，以及能夠?qū)φ{(diào)整區(qū)域進行「消解」，進而取得接近原始人像效果的復原工具。

簡單總結：

左一是「液化」過的圖;

左二是通過工具識別出經(jīng)過「液化」的區(qū)域;

左三是工具提供的「復原」建議;

最右是經(jīng)過「復原」的「真面目」

最終的實驗結果顯示，人工識別的準確率只有 53%，而他們研發(fā)出的工具則可以達到 99% 的識別準確率!

總習慣發(fā)照前 P 個圖的你們，顫抖吧!

工作原理

這個工具背后涉及到的其實是被稱作「圖像取證」或「偽造檢測」的技術，這部分內(nèi)容在當今的計算機視覺領域變得日益重要。

在過去，已經(jīng)有不少研究人員提出各種各樣檢測人像篡改情況的的取證方式，比如通過自定義線索的方式來檢測圖像，最典型如通過發(fā)現(xiàn)像素之間的周期相關性(自定義內(nèi)容)來檢測重采樣偽影，然而這類型交互式編輯工具的操作上很復雜，且難以建模，所以并未在本次工作中被采用，團隊最終選擇基于大量數(shù)據(jù)訓練來習得相關能力;針對缺乏標注數(shù)據(jù)的問題，學界則提出各種自我監(jiān)督式的訓練方式，基于自動生成的假圖像進行訓練。

而為了讓機器具備甄別真假的能力，團隊在本次工作中使用 ResNet50 訓練出了一個二進制分類器，為 ImageNet 分類進行預訓練，并根據(jù)任務需要進行微調(diào)。為了讓機器進一步具備「還原」能力，團隊首先預測一個光流場

，預測路徑從原始圖像

至篡改圖像 X，然后再用它來嘗試「反向」恢復原始圖像。

最后，一起來看看工具的強大能力吧：

然而這已經(jīng)不是 PS 第一次砸自家招牌

就在去年，同樣是來自 Adobe 公司的研究員在 CVPR 上發(fā)表一篇圖像篡改檢測的相關論文(Learning Rich Features for Image Manipulation Detection)，這篇工作的核心內(nèi)容是讓機器具備識別以下這 3 種圖像篡改手段的能力：

拼接——把別張圖的物體拼接到另一張圖上。

復制 - 移動——對一張圖上的部分區(qū)域進行拷貝，然后放到圖中的其它地方。

移除——將圖像中的部分元素進行移除。

換句話說，相較于「液化」這種隱晦的調(diào)整形態(tài)，當時 Adobe 試圖解決的還是比較粗線條的圖像竄改情況。

在這篇論文中，PS 研究團隊提出一個名為「雙流 Faster R-CNN 網(wǎng)絡」的解決方法：

橘黃色的箭頭連起來的是 RGB 流，藍色的箭頭連起來的是噪聲流。每個單獨的流其實都是一個 Faster R-CNN。

最終取得的識別成果如下：

該方法相較于其他 Baseline，如 ELA，NOI1 和 CFA1，識別圖像竄改的能力也更加突出。