顔交換手法の開発に関する議論

顔交換技術は、ソース顔のアイデンティティ情報をターゲット顔に転送し、ターゲット顔の他の属性の一部を維持することができる技術であり、ディープフェイクとも呼ばれています。これらの手法の中で、最初に登場したのはターゲット特化型のものであり、パフォーマンスは良好ですが、効率は低い傾向があります。ディープラーニング技術が進化し続ける中、アルゴリズムの汎用化の追求が始まり、事前トレーニングされたモデルを使用して異なる顔を交換するようになりました。汎用化されたモデルは非常に効率的ですが、生成される特定の顔交換画像やビデオの質には満足できないものがあります。したがって、人々は汎用性とパフォーマンスの両方を備えたアルゴリズムを見つけたいと考えています。現在のディープフェイク手法の両方の汎用性とパフォーマンスの一般的な追求の文脈において、本稿では初期から現在に至るまでのディープフェイク手法の発展を検討し、アルゴリズムの汎用性とパフォーマンスを同時に達成できるかという問題について議論します。その後、本稿では、インターネットの動画コミュニティBilibiliから見つけた野生の顔のビデオや、Deepfakes、DeepFaceLab、FSGAN、FaceDancerの4つの手法を使用して生成した偽造ビデオと画像を含むディープフェイクデータセットを提案し、このデータセットを用いて既存のディープフェイク手法の野生の顔の生成能力をテストします。最後に、生成過程におけるアイデンティティ転送時のターゲット顔の影響に対するアイデンティティベクトルの使用方向を変更し、ターゲット顔によって引き起こされる生成された顔のアイデンティティ転送誤差を測定する指標を提案します。