韓國紐約州立大學的研究人員最近探索了新的方法來檢測機器和人為偽造的面部圖像。在ACM數字圖書館發表的論文中，研究人員使用了集成方法來檢測由生成對抗網絡(GAN)生成的圖像，并采用了預處理技術來改善對人類使用Photoshop創建的圖像的檢測。

在過去的幾年中，圖像處理和機器學習方面的顯著進步使得能夠生成偽造但高度逼真的圖像。但是，這些圖像也可以用于創建偽造的身份，使偽造的新聞更具說服力，可以繞過圖像檢測算法或使用笨拙的圖像識別工具。

進行這項研究的研究者之一Shahroz Tariq對Tech Xplore說：“偽造的面部圖像已經成為研究的話題，但是研究主要集中在使用Photoshop工具拍攝的人類照片上。” “最近，Karras等人的一項研究表明，生成對抗網絡(GAN)可以產生接近真實的人臉圖像。人們可能會惡意使用這些照片，例如在互聯網上創建假ID。”

Tariq和他的同事進行的研究的重點是使用深度學習技術檢測計算機生成和人為生成的假臉照片。為此，他們開發了神經網絡分類器，并在真實和偽造圖像的數據集上對其進行了訓練。

塔里克說：“神經網絡分類器通過檢查大量的真實和虛假圖像數據庫，學習了真實和虛假圖像之間的區別特征。”

該分類器不是分析圖像的元數據，而是關注圖像內容。在初步測試中，它以94%的準確度檢測GAN生成的和人為偽造的人臉偽影，均取得了顯著效果。

塔里克說：“即使計算機生成的圖像在人眼看來非常逼真，神經網絡分類器也能夠發現微小的差異，從而使它能夠正確地對圖像進行分類。” “我們還發現，人們使用Photoshop工具創建的偽造照片很難發現，因為存在許多可能的變化。”

將來，Tariq和他的同事開發的分類器可以幫助識別由GAN或人類使用圖形編輯軟件(例如Photoshop)生成的偽造圖像。研究人員現在計劃進一步開發他們的分類器，在更多機器和人工生成的圖像上對其進行訓練。

“隨著生成合成圖像的方法變得越來越復雜，用這些方法生成的照片將變得更加逼真，而神經網絡分類器將很難檢測到它們之間的差異，” Tariq解釋說。“因此，我們希望繼續改進我們的方法，以更好地檢測此類照片。”