在虚拟的互联网上 你能猜出哪张是真人照片吗？

各位是否还记得NVIDIA新一代StyleGAN？没错，它能生成以假乱真的虚拟人工脸。现在，NVIDIA已经将StyleGAN开源，一些“疯狂”的开发者借此继续将其发扬光大——在线生成人工脸，图像逼真到可怕。未来，我们在互联网上看到的美女，可能根本就不存在于这个世界当中，不信你可以亲自分辨看看！

近期，来自Uber的软件工程师Philip Wang，利用NVIDIA的StyleGAN算法，并使用生成式对抗网络（GAN）创建新的样本，设计出一个网站

ThisPersonDoesNotExist.com

，每当访问者刷新网页后，网站便会生成一个全新的面部图像，引来了广泛的关注。

作为一种深度学习模型，生成式对抗网络GAN是近年来复杂分布上无监督学习最具前景的方法之一，目前GAN最常使用的地方就是图像生成，模型通过框架中生成模型（Generative Model）和判别模型（Discriminative Model）两个模型互相训练，从而获得更好的输出效果。也就是说，一个（生成模型）试图生成与真实照片无法区分的合成图像，另一个（判别模型）试图分辨出差异，经过几周的训练后，图像创建网络可以生成以假乱真的人脸了。

例如下面这一组照片，你能想到照片中的这些人脸都是由计算机生成吗？

StyleGAN的优势在于其使用了基于风格迁移的全新生成器架构，可以通过对样式进行特定尺度的修改来控制图像合成。如下图所示，这里我们将传统生成器架构与基于风格的生成器架构进行对比。我们可以看到，在传统生成器架构中，隐码(Latent)是通过输入层提供给生成器的，即前馈网络的第一层；新架构则完全省略输入层而从一个学习的常量开始，以脱离传统设计，在输入隐空间Z中，给定一个隐码z，一个映射网络f。

对此，英伟达的研究人员也在论文中写到过，自己提出的新架构可以完成自动学习，无监督地分离高级属性（例如在人脸上训练时的姿势和身份），以及生成图像中的随机变化，并且可以对合成进行更直观且特定于比例的控制。

因此，新一代StyleGAN在生成和混合图像，特别是人脸图像时，可以更好地感知图像之间有意义的变化，并且在各种尺度上针对这些变化做出引导。这也是它可以很好的控制发色、眼睛与鼻子的大小、嘴型等脸部特征的原因所在。当然，除了用在人身上外，该算法还能用于汽车、动物、风景等图像的生成。

在StyleGAN之前，我们曾一度相信任何人都无法凭空地合成一张真人照片，也就是说一张照片上的人必定是来自现实中的某个人，即使是网上那些PS过度的照骗，尽管比本人差距较大，但它也一定来源于某个人。但现在，新的逆向机器学习算法打破了这一规则，它可以让人们快速生成从未存在过的人的“合成照”，网络上的身份可以轻松伪装。

实际上，ThisPersonDoesNotExist.com网站也是为了让我们注意到，使用GAN的正/反两面。起正面意义在于，由于该算法可以制作人脸、动画人物、风景等事物，因此能为电影从业者、插画设计师等艺术工作者带来极大的帮助，例如创建各种虚拟环境。

与此同时，合成如此逼真的人脸也引起不少人的恐慌，我们都怕它会成为下一个DeepFake。现在，“DeepFake”已被用于指代所有看起来或听起来像真的，实则却是假视频或音频。在这种技术滥用面前，我们每一个人都可能成为潜在的受害者。

谁是真人？

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

答案是：左边