（示意圖/取自pixabay）
DeepFake已不再是只有少數科研人員掌握的技術了，它被越來越多懷有不良動機的人，應用到現實生活的方方面面中，引發不必要的誤解，比如說炮製色情影片或者虛假新聞等。
最近，一篇刊登在IEEE PAMI（模式分析與機器智慧匯刊）上的論文稱，有新的方法能夠準確辨識DeepFake影片，甚至能以很高的準確率，辨識出影片採用的是哪種DeepFake算法。
這篇論文有意思之處，在於它的思路別出心裁：辨識別人臉部因心跳血流產生的微弱變化。
血管遍布人體全身，包括臉上。比如在睡覺的時候，你可能會感覺到臉部血液流動產生的輕微「跳動」感。
隨著心跳導致的血液流動，人體皮膚也會出現區域性顏色變化。常見的脈搏血氧機，其工作方式其實就是辨識這種變化。（學名叫做光體積變化描記法Photoplethysmography, 簡稱PPG。後面還會提到這個詞。）
因心跳產生的皮膚顏色變化，在人臉上同樣會出現，只是極其微弱，對肉眼不可見，在影片裡就更難看出來了。不過對影片進行特定處理，增強顏色變化的效果，肉眼就可以很明顯地觀察出來了。
你可能想問，這種方法辨識心跳準確嗎？當然準了，Apple Watch和一大堆血氧機都是採用的這種方法。它的準確率和心電圖基本吻合，如下圖所示：
三位分別來自紐約州立大學賓漢頓分校和英特爾公司的研究人員，在這篇新論文裡提出了一個重要的主張：無論是在空間層面還是時間層面上，DeepFake的假人臉都無法還原這種因血液流動造成的微弱變化。
空間層面就是臉部區域，時間層面就是心跳頻率。DeepFake的假人臉，不是體現不了這種微弱變化。在進行大量測試後，研究人員發現：DeepFake影片裡的人臉，讀取到的PPG訊號是不穩定的。
這句話的意思是：如果你對DeepFake影片進行增強，會發現血流變化產生的顏色變化，在人臉上顯示非常不自然，變化的頻率也完全不像真的心跳。
從下圖中你可以看的更清楚：四種DeepFake算法生成的影片，產生的PPG訊號都有很多「雜訊」，而真實影片的「雜訊」很少。
基於這個主張，研究人員設計了一套基於卷積神經網路（Convolutional Neural Network, CNN）的模型，命名為 FakeCatcher。
FakeCatcher從不同的DeepFake影片中提取關鍵的人臉區域 ，並讀取PPG訊號，將兩者組合成一個時空模塊（稱為一個PPG 元素）。再對PPG元素進行學習，最終就可以給出答案了。
在Face Forensics++、CelebDF等常用的假臉數據集上，Fake Catcher的準確率能夠超過90%。
更厲害的是，FakeCatcher不光能認出影片的真假，還能準確辨識出，假影片用的是哪種 DeepFake 算法——這是因為每種算法的殘差效果的雜訊都有足夠明顯的特種。研究人員透露，他們在 DeepFakes、Face2Face、FaceSwap和NeuralTex四種主流算法上的辨識準確率，整體超過了93%。
研究人員認為，這篇論文中提出的PPG訊號辨識思路，對於 DeepFake的辨識和偵測能夠開啓一個全新的方向。
接下來，他們打算訓練一個更複雜的模型，同時對真實影片和DeepFake影片的PPG訊號進行訓練。
所謂魔高一尺道高一丈，趕在DeepFake算法被大肆濫用之前，堵住他們的路，讓他們無路可走。
本文為品玩授權刊登，原文標題為「DeepFake天敵出現：用血氧儀原理識別假臉，準確率高達97%」