美颜克星！P图检测工具到底有多强大？

点击上方蓝字CG世界关注我们

“ 感知CG · 感触创意 · 感受艺术 · 感悟心灵 ”

中国极具影响力CG领域自媒体

“拍照2分钟，P图三小时”，这句话充分显示了当代年轻人对于自我形象的重视程度。现如今，PS已经不仅是一个简单的工具，它是检测友谊是否塑料的试金石，是弄潮儿日常社交的品质保障，不好看的用它变得好看，好看的用它变得更好看。

正如我们在写高中作文时经常用到第一句话：“Every coins has its two sides（每个硬币都有它的两面性）”，PS千好万好，但到了别有用心的人那里，就变成了虚假和欺骗的帮凶。

解铃还须系铃人，面对大众逐渐高涨的疑问和焦虑情绪，PS的大家长Adobe在致力于探索图像处理技术的同时，也深刻的意识到了技术所面临的问题，开始使用相同技术来提高数字媒体的信任度和权威性。

小伙伴们应该有所了解，大概是在今年6月份，官方宣布了一项AI照片检测技术，这项技术能够检测出照片是否被PS处理过，看到这个消息，小编虎躯一震。今天「CG世界」就给小伙伴们念叨念叨这种号称“照妖镜”的技术到底是咋回事（虽然有人已经知道了，我不管，知道了我也要说）。

▲

从左到右依次为：

处理后的照片→检测到的处理→建议“撤销”图像→原始图像

来自Adobe Research和加州大学伯克利分校的5位研究人员共同开发出了一种技术，来检测图像是否使用过PS“面部感知液化”（Face-Aware Liquify）功能进行编辑，不仅可以检测到面部的细微变化，甚至有可能合理地逆转并撤销这些变化。

这项技术目前已经获得了美国国防高等研究计划署启动的名为“媒体取证”（DARPA MediFor）项目的支持。尽管还在研发初期阶段，研究人员还是在最近的Adobe MAX大会上对其进行了展示。

它之所以能够识别人脸的变化图像，是因为其训练了一种名为卷积神经网络的深度学习形式。

研究人员通过编写Photoshop脚本创建出了一个广泛的图像训练集，从庞大的互联网信息里获得了上千张使用过面部感知液化技术的图片，然后随机选择照片子集进行训练，还聘请了一位艺术家对混入到测试数据集中的图像进行修改，因为直接的人为操作会比合成生成图像的范围更广一些，从而增加数据的多样性。

▲数据集：原始图片vs自动生成变形处理图片

为了显示训练结果的有效性，他们用肉眼识别的方式进行了对比。向志愿者展示两个图像（一个为原始图像，一个为处理后的图像），并告知其中有一个是处理过的，让他们辨认哪些部位处理过。对比结果证明，志愿者辨认的精确度为53%，而神经网络工具的结果高达99.4%。

▲对比精确度

这种工具还有个非常厉害的地方，它可以确定脸上那个部位处理过，是用什么方法处理的，在实验中甚至还能将更改后的图像通过计算恢复成原始结果。小编要哭了，我辛辛苦苦3小时才拥有的美丽，你说恢复就恢复啦？！

▲

做了什么处理：

处理后的图像→Dilated ResNet→修改预测

广告【动捕就找liuguagua】

也有小伙伴表示，有那么多P图操作，瘦脸削下巴挺鼻梁大眼睛隆颧骨翘嘴角…怎么可能都一一识别出来呢？听上去虽然不太可能，但是在这种情况下，深度学习可以查看低级数据图像（例如伪造脸型）和高级提示（例如布局），一一识别是非常有可能实现的。但是目前还不能用所谓的“一键卸妆”功能来撤销图像编辑效果（这下小编可放心了）。

▲

做了什么处理：

修改后的图像→原始图像→Flow

我们还没有找到这种技术确切的体验通道，具体好不好用也就无从考究了。关于这项技术，小伙伴们还有很多好奇的问题，接下来我们以一问一答的形式为大家详细地解释。

Q：图像处理检测技术只能研究像素和噪点水平样式的深度学习吗？是只适用于“面部识别”功能处理过的图片，还是未来也有可能检测到剪切粘贴的更改呢？

Adobe：目前这项技术只是在训练之后来检测调整面部特征和面部表情的“面部感知液化”功能，仅凭机器学习和深度神经网络是无法准确分辨的，假设是将低级（像素和噪点）和中级（轮廓）提示结合起来进行探索，且不适用于剪切粘贴的图像拼接。

Q：如果文件被压缩，或是Jpeg在压缩后隐藏了一些原本用于检测的数据，图像检测是否还能起作用？因为实际情况下处理过的图像都是先压缩然后上传/复制的。

Adobe：我们针对模糊和Jpeg压缩的情况也进行了测试。在普遍情况下，工具的实用性能与预期相比都会有所降低，但基本上不会有“不起作用”的情况。使用这种“扰动”来训练系统，也就是所谓的“数据增强/扩充”，在训练时进行的扩充越多，网络就越具有弹性。尝试过把图像打印出来再扫描方式，来模拟是否可以检测到打印介质中的变形图像，事实证明物理复制是不能训练的。

Q：训练数据集有多广泛？它是基于单个图像来构建大量训练数据，还是在内部较小的操作图像上进行的呢？

Adobe：对于未处理的图像，使用的是公开可用的学术数据集，大概有超过10万个示例。现代机器学习算法需要大量数据进行联系，想要获得大量变形或处理后的图像并不容易，我们在Adobe Photoshop中编写了“人脸识别液化”工具脚本，可以对未处理过的图像随机变形，生成“免费”的训练数据。最终得到的100万张图像，一部分是处理过的，一部分是未处理的。

其中有一个问题，用随机变形的图像来训练系统，是否可以推广到实际检测的案例中，为此制作了一个单独的测试集，请艺术家手动处理一小组图像，然后利用这个集合进行验证。

Q：如果检测到很小部分的图像处理，是会标记出大小或是颜色显示吗？

Adobe：经过网络训练，它可以识别是否用过“面部感知液化”功能。在训练期间，图像大小可能稍微会有所调整，系统对此具有一定的弹性。但系统没有受过光度调整（例如airbrushing或全局照明更改）方面的训练，在这种情况下，工作性能可能会下降，也就是说如果图像做出来这些调整，系统检测的正确性会降低。我们称之为“数据集偏差”，就是实际测试的例子和训练分布有所不同。