作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
這種修復效果，真的非常驚人。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
這種修復效果，真的非常驚人。
Speech-Driven Facial Animation：合成視頻的創始人
Speech-Driven Facial Animation是一個由三星提出的使用照片加音頻合成視頻的模型，SDFA論文地址、SDFA的Github鏈接,SDA能夠僅使用人的靜止圖像和包含語音的音頻剪輯來產生動畫面部。
其生成的視頻不僅可以產生與音頻同步的脣部動作，還可以呈現特有的面部表情，例如眨眼，眉毛等，同時能夠捕捉說話者的情緒並將其反映在面部表情中。
原圖如下：
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
這種修復效果，真的非常驚人。
Speech-Driven Facial Animation：合成視頻的創始人
Speech-Driven Facial Animation是一個由三星提出的使用照片加音頻合成視頻的模型，SDFA論文地址、SDFA的Github鏈接,SDA能夠僅使用人的靜止圖像和包含語音的音頻剪輯來產生動畫面部。
其生成的視頻不僅可以產生與音頻同步的脣部動作，還可以呈現特有的面部表情，例如眨眼，眉毛等，同時能夠捕捉說話者的情緒並將其反映在面部表情中。
原圖如下：
SDA處理之後生成的圖像，靜止圖像立刻活靈活現起來。
"作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
這種修復效果，真的非常驚人。
Speech-Driven Facial Animation：合成視頻的創始人
Speech-Driven Facial Animation是一個由三星提出的使用照片加音頻合成視頻的模型，SDFA論文地址、SDFA的Github鏈接,SDA能夠僅使用人的靜止圖像和包含語音的音頻剪輯來產生動畫面部。
其生成的視頻不僅可以產生與音頻同步的脣部動作，還可以呈現特有的面部表情，例如眨眼，眉毛等，同時能夠捕捉說話者的情緒並將其反映在面部表情中。
原圖如下：
SDA處理之後生成的圖像，靜止圖像立刻活靈活現起來。
作者 | 馬超
責編 | 胡巍巍
出品 | CSDN（ID：CSDNnews）
近日，筆者在CSDN博客，發佈了一篇有關AI換臉的教程，不過令筆者始料未及的是一石激起千層浪，竟然有不少網友留言求所謂一鍵“脫”衣的教程。
雖然筆者對於技術的濫用深惡痛絕，但技術本身是中性的，並無好壞之分，從而且從上篇博文中也能看到“AI換臉”的門檻越來越低，目前其應用已經發展到任何人都能操作的地步了。
所以想阻止這些濫用的技術，單靠封殺是不起了什麼作用的，所以本文就回歸到技術本身，帶大家盤點一下那些被濫用的AI模型。
也爭取能夠拋磚引玉幫助大家提供思路，來檢測這些被偽造過的視頻。
PIX2PIX：AI腦補的先河
魯迅先生曾說“一見短袖子，立刻想到白臂膊，立刻想到全裸體......中國人的想像惟在這一層能夠如此躍進。”不過和AI比起來國人的聯想能力根本就是小巫見大巫。
筆者之前的博文AI能讓楊超越跳舞，背後原理大揭祕就曾經介紹過PIX2PIX技術，PIX2PIX論文鏈接，PIX2PIXGithub地址，PIX2PIX是基於對抗神經網絡GAN的模型，其目標是由圖像的輪廓，還原回真實圖像。
目前讀者可以到https://affinelayer.com/pixsrv/這個網站來感受一下如何從一個簡筆畫出的輪廓轉換成真實的圖像。
後來N廠又提出了PIX2PIXHD技術（GitHub傳送門），PIX2PIXHD把之前由PIX2PIX生成的圖像分辨率提高了很多。
可以說PIX2PIX是後面這些AI換臉、一鍵“脫"衣等技術的理論基礎，正是憑藉AI強大的聯想及腦補能力使以上應用成為了可能。
CycleGAN：指鹿為馬的AI
2017年伯克利提出了CycleGAN的理念，CycleGAN論文地址、CycleGAN的Github傳送門，CycleGAN使用循環一致性損失函數來實現訓練，從而完成將圖片中一個域到另一個域的無縫轉換。
具體什麼是循環一致性損失函數咱們可以找時間詳解，簡單來說CycleGAN能將圖像的主題風格或者某一域主體完美進行切換，具體效果如下：
斑馬與馬的互轉
冬與夏的風格切換
後來NCSOFT又提出了UGATIT，一種加強版的CycleGAN,UGATIT論文地址、Github傳送門，其效果更好，具體如下：
CycleGAN出現之後，圖像主題無縫切換將圖像偽造技術提升了一個高度，在換臉之餘還能把原背景主題進行切換，給鑑定帶來來大麻煩。
StyleGAN：能算孩子未來長相的AI
目前好像非常流行組CP，那麼N廠提出的StyleGAN就是用來計算Picure A+ Picture B結果的AI，StyleGAN論文地址、StyleGAN的Github傳送門，而且他還支持多種結合模式，具體見下表
Style 等級 | Picture A | Picture B |
高等級（粗略） | 所有顏色（眼睛，頭髮，光線）和細節面部特徵來自Picture A | 繼承Picture B高級的面部特徵，如姿勢、一般的髮型、臉部形狀和眼鏡 |
中等級 | 姿勢、一般的面部形狀和眼睛來自Picture A | 繼承Picture B中級的面部特徵 ，如髮型，張開/閉著的眼睛 |
高等級（細微） | 主要面部內容來自Picture A | 繼承Picture B高級面部特徵，如顏色方案和微觀結構 |
其兩張圖像按照三種Style結合的效果如下圖：
Partialconv：馬賽克終結者
Partialconv又是N廠提出的，Partialconv的論文地址、Partialconv的Github傳送門，Partialconv其實是PIX2PIX的2.0版本。
即使圖像丟失了大面積的像素他也能通過AI將損失進行修復。所謂的一鍵”去“衣、一鍵”去“碼其實背後都是Partialconv，其效果圖如下：
這種修復效果，真的非常驚人。
Speech-Driven Facial Animation：合成視頻的創始人
Speech-Driven Facial Animation是一個由三星提出的使用照片加音頻合成視頻的模型，SDFA論文地址、SDFA的Github鏈接,SDA能夠僅使用人的靜止圖像和包含語音的音頻剪輯來產生動畫面部。
其生成的視頻不僅可以產生與音頻同步的脣部動作，還可以呈現特有的面部表情，例如眨眼，眉毛等，同時能夠捕捉說話者的情緒並將其反映在面部表情中。
原圖如下：
SDA處理之後生成的圖像，靜止圖像立刻活靈活現起來。
寫在最後
上個月筆者在《銀行家雜誌》的發文，傳統銀行如何引領開放銀行時代潮流，就曾指出AI換臉等技術的興起將會我們未來的身份識別及認證造成很大的麻煩。
可以說一旦將人臉面部信息與具體的人聯繫起來，那麼人臉信息就可能被濫用，而且考慮到目前尚沒有可靠的技術能夠鑑定視頻的真偽。
所以筆者這裡也以此文號召大家共同關注由臉書、微軟聯合MIT等科研機構共同發起了”Deepfake挑戰賽“，找到以AI破解AI的方法，在而此之前筆者也呼籲各行業按照《GB/T 25724-2017公共安全視頻監控數字視音頻編解碼技術要求》進行安全加固，以防止仿造視頻的危害。
作者簡介：馬超，CSDN博客專家，金融科技從業者。
【END】
"