GAN深度学习技术以假乱真

在这两年的人工智能技术中，一项名为「生成式对抗网络(Generative Adversarial Networks, GAN)」的神经网络训练技巧大为风行。 它的概念很简单，就是让一个生成模型不断地制造假图片，而另一个识别模型用来指出将假图片与真图片混合样本里的假图片。 两个模型的损失函数都链接到对方的表现。 也就是当另一个识别模型越强，就会造成本身较高的损失，进而让自己变得更强，最后通常是生成模型获胜。

GAN利用两组深度学习，一个负责判断是真图还是假图，另一个则是负责生出更难判断真假的假图，当识别模型分不出真假，便表示已经完全掌握该事务的深层特征。 与此同时，也就得到一个可以做出几可乱真的假图片的生成模型。 骇人听闻的是，这个生成模型压根没看过真图片，单纯只是根据识别模型的反应来推测的，便能做到几可乱真。 因此，盖儿加朵主演的成人片便应运而生。

最近全世界最大的色情网站Pornhub甚至宣示要封杀所有以深度学习制造出的假成人片，虽然抵制该如何执行还不得而知，但由此可见盖儿加朵恐怕不是唯一的受害者。

在Cycle GAN的发表论文中，展示了马变斑马以及苹果变橘子的神奇效果(图1)，但是由于它对于训练样本的弹性，意味着我们只要手上有足够的盖儿加朵影像以及成人片的数据，就能够做出盖儿加朵拍成人片的效果。

图1 在Cycle GAN的发表论文中，展示了将马变斑马神奇效果影片。

在GAN里面有一种结构的变体称为Cycle GAN。 简单来说，它能做到像素层级的物体视觉翻译。 从技术的角度看来，中文翻译成英文其实与马变成斑马的概念是类似的，都是一种函数的转换。 而Cycle GAN的特别之处在于以前训练模型需要成对的数据(如同一个句子同时有中文版与英文版)，但是Cycle GAN可以不需要成对数据，只要有个别足够的数据就能够进行视觉翻译。

另一个例子，是有人使用了Cycle GAN技术，将台湾的网络名人馆长与陈沂二人各自在Facebook直拨影片交换脸庞，由于在一名壮汉与美女的对比之下，分别谈论有关运动产业评论与整形美容的内容，营造出相当的趣味。 该影片亦受到Cycle GAN发表者Ian Goodfellow的关注，将该影片转贴在推特页面中(图2)。

图2 网络名人馆长与陈沂二人的换脸影片受到Cycle GAN发表者Ian Goodfellow的关注。

另外，还有一个名为Star GAN的模型，作出了领域变化。 也就是说只要提供一张人像照片，该模型便能将该人像照转换性别、发色、年龄等等各种条件(图3)。 以往常的做法来讲，是更动每一个条件就必须成立一个独立模型，因此，如果我要同时更动两个条件，就必须要成立另一个新模型，而且做法会复杂很多。 Star GAN的最大特色是只要用一个模型，便能够完成所有条件的套入。 目前许多有趣的换脸App，我认为都是Star GAN模型的应用开发。

图3 目前许多有趣的换脸App，多是Star GAN的应用开发。

(本文由尹相志口述，记者程倚华整理)