Diskussion über die Entwicklung von Face-Swap-Methoden

Face-Swap-Technologie ist eine Technologie, die Identitätsinformationen des Quellengesichts auf das Zielgesicht übertragen und einige andere Attribute des Zielgesichts beibehalten kann, auch bekannt als Deepfake. Unter diesen Methoden waren die zuerst auftretenden ziel-spezifischen, die tendenziell bessere Leistung aber geringere Effizienz aufweisen. Da sich die Techniken des tiefen Lernens weiterhin entwickeln, hat die Verfolgung der algorithmischen Generalisierung begonnen, wobei vortrainierte Modelle verwendet werden, um verschiedene Gesichter zu tauschen. Obwohl die generalisierten Modelle sehr effizient sind, ist die Qualität bestimmter Face-Swap-Bilder und -Videos, die erzeugt werden, nicht zufriedenstellend. Daher möchten die Menschen einen Algorithmus finden, der sowohl Generalität als auch Leistung besitzt. Im Kontext der derzeitigen allgemeinen Verfolgung von sowohl Generalität als auch Leistung der Methoden zur tiefen Fälschung untersucht dieses Papier die Entwicklung der Methoden zur tiefen Fälschung von den frühen Tagen bis heute und diskutiert die Frage, ob algorithmische Generalität und Leistung gleichzeitig erreicht werden können. Danach schlägt dieses Papier einen Datensatz für tiefe Fälschungen vor, der die Wildgesicht-Videos enthält, die wir aus der Internet-Video-Community Bilibili gefunden haben, sowie die gefälschten Videos und Bilder, die wir mit den vier Methoden: Deepfakes, DeepFaceLab, FSGAN und FaceDancer erzeugt haben, und testet an diesem Datensatz die Fähigkeit der bestehenden Methoden zur tiefen Fälschung in Bezug auf die Generierungsfähigkeit von Wildgesichtern. Abschließend ändern wir die Richtung der Verwendung des Identitätsvektors hinsichtlich des Effekts des Zielgesichts auf den Identitätsübergang während des Generierungsprozesses und schlagen eine Metrik vor, um den Identitätsübergangsfehler des generierten Gesichts, verursacht durch das Zielgesicht, zu messen.