目录
应用于深度伪造的卷积自编码器
- 下载项目文件 - 75.5 MB
深度伪造——使用深度学习在视频中将一个人的脸换成另一个人的脸——是当今使用人工智能的最有趣和最可怕的方式之一。
虽然深度伪造可用于合法目的，但它们也可用于虚假信息。能够轻松地将某人的脸换成任何视频，我们真的可以相信我们的眼睛告诉我们的吗？政治家或演员做或说令人震惊的事情的真实视频可能根本不是真实的。
在本系列文章中，我们将展示深度伪造的工作原理，并展示如何从头开始实现它们。然后我们将看看DeepFaceLab，它是一种多合一的Tensorflow驱动的工具，通常用于创建令人信服的深度伪造。
在上一篇文章中，我们介绍了一些可以用来生成深度伪造的不同方法。在本文中，我将通过所需的理论来了解DIY解决方案的实际模型背后的内容。
为了创建我们的深度伪造，我们将使用卷积网络，它已被证明在该领域非常成功。这些网络与自动编码器架构相结合，产生了我们将要使用的内容。以下是对这些内容的简要概述以及如何在深度伪造生成中使用它们。
应用于深度伪造的卷积自编码器自本系列的第一篇文章以来，我们一直在讨论自动编码器，现在是时候了解如何使用它们来生成深度伪造了。
为了产生深度伪造，我们必须收集两个面部集合—— SRC和DST——这是大到足以覆盖两个人的所有可能的面部表情，分配自动编码到他们中的每一个，直到他们达到指标的可接受的误差训练他们（每个自动编码器都应该尽可能无缝地将输入面复制到输出面）。最后，我们交换自动编码器的解码器并开始面部转换过程。我知道一开始这可能有点令人困惑，所以让我们想象一下这个过程：
自编码器并不是整个深度伪造生成过程的唯一元素，但它们无疑是最重要的。他们的训练需要多次迭代，有时超过50000次，如果没有强大的GPU，可能需要几天时间。这就是为什么我们有时需要在云中支持我们的训练过程。
现在我们对整个生成过程有了基本的了解，我们可以深入研究实际代码了！在接下来的文章中，我将经历什么需要预处理的视频，并让他们准备被送入我们的模型。
https://www.codeproject.com/Articles/5298022/Using-Autoencoders-for-Deep-Fake-Generation
