DeepFake 已經不再是只有少數科研人員掌握的技術了，它被越來越多懷有不良動機的人，應用到現實生活的方方面面中，引發不必要的誤解，比如說炮制色情影片或者虛假新聞等。

最近，一篇刊登在 IEEE PAMI（模式分析與機器智能匯刊）上的論文稱，有新的方法能夠準確識別 DeepFake 視頻，甚至能以很高的準確率，識別出視頻采用的是哪種 DeepFake 算法。

這篇論文有意思之處，在于它的思路別出心裁：識別人臉面部因心跳血流產生的微弱變化。

血管遍布人體全身，包括臉上。比如在睡覺的時候，你可能會感覺到面部血液流動產生的輕微“跳動”感。

隨著心跳導致的血液流動，人體皮膚也會出現區域性顏色變化。常見的脈搏血氧儀，其工作方式其實就是識別這種變化。（學名叫做光體積變化描記法 Photoplethysmography, 簡稱 PPG。后面還會提到這個詞。）

因心跳產生的皮膚顏色變化，在人臉上同樣會出現，只是極其微弱，對肉眼不可見，在視頻里就更難看出來了。不過對視頻進行特定處理，增強顏色變化的效果，肉眼就可以很明顯地觀察出來了：

你可能想問：這種方法識別心跳準確嗎？當然準了，Apple Watch 和一大堆血氧儀都采用的這種方法。它的準確率和心電圖基本吻合，如下圖所示：

三位分別來自紐約州立大學賓漢頓分校和英特爾公司的研究人員，在這篇新論文里提出了一個重要的主張：無論是在空間維度還是時間維度上，DeepFake 的假人臉都無法還原這種因血液流動造成的微弱變化。

空間維度就是面部區域，時間維度就是心跳頻率。DeepFake 的假人臉，不是體現不了這種微弱變化。在進行大量測試后，研究人員發現：DeepFake 視頻里的人臉，讀取到的 PPG 信號是不穩定的。

這句話的意思是：如果你對 DeepFake 視頻進行增強，會發現血流變化產生的顏色變化在人臉上顯示非常不自然，變化的頻率也完全不像真的心跳。

從下圖中你可以看的更清楚：四種 DeepFake 算法生成的視頻，產生的 PPG 信號都有很多“雜訊”，而真實視頻的“雜訊”很少。

基于這個主張，研究人員設計了一套基于卷積神經網絡的模型，命名為FakeCatcher。

FakeCatcher從不同的 DeepFake 視頻中提取 1）關鍵的人臉區域 2）讀取 PPG 信號，將兩者組合成一個時空模塊（稱為一個 PPG 元素）。再對 PPG 元素進行學習，最終就可以給出答案了。

在 Face Forensics++、CelebDF 等常用的假臉數據集上，Fake Catcher 的準確率能夠超過90%。

更厲害的是，FakeCatcher 不光能認出視頻的真假，還能準確識別出假視頻用的是哪種 DeepFake 算法——這是因為每種算法的殘差效果的雜訊都有足夠明顯的特種。研究人員透露，他們在 DeepFakes、Face2Face、FaceSwap 和 NeuralTex 四種主流算法上的識別準確率整體超過了93%。

研究人員認為，這篇論文中提出的 PPG 信號識別思路，對于 DeepFake 的識別和偵測能夠開啟一個全新的方向。

接下來，他們打算訓練一個更復雜的模型，同時對真實視頻和 DeepFake 視頻的 PPG 信號進行訓練。

所謂魔高一尺道高一丈，趕在 DeepFake 算法被大肆濫用之前堵住他們的路，讓他們無路可走。