AI诈骗成功率100%？度小满防深伪模型“用魔法打败魔法”

来到golang学习网的大家，相信都是编程学习爱好者，希望在这里学习科技周边相关编程知识。下面本篇文章就来带大家聊聊《AI诈骗成功率100%？度小满防深伪模型“用魔法打败魔法”》，介绍一下，希望对大家的知识积累有所帮助，助力实战开发！

2023-05-26 10:22:19 作者：宋均益

日前,一条#AI诈骗成功率接近100%#的话题冲上微博热搜。福建某科技公司的法人代表被骗走了430万，是因为他在10分钟内相信了一段使用AI技术换脸的视频。

国外也发生了一起AI相关诈骗,一封附上谷歌CEO视频的邮件,让不少YouTube博主们下载了带着危险病毒的文件。

这两起诈骗事件都有着深度伪造技术deepfake的身影。这是一项诞生了6年之久的换脸大法,如今AIGC技术的大爆发,更使得制作难以识别的deepfake视频越来越容易。对人脸识别应用普遍的金融行业来说,防深伪攻击也显得尤为重要。

在金融行业,由deepfake产生的欺诈主要是身份欺诈,即通过深度伪造的虚假图像和视频来冒充他人身份,骗过金融信贷流程中的身份核验系统,进而实施盗刷和恶意注册等。目前,金融行业应对deepfake已有了比较成熟的技术方法和方案,度小满在deepfake应对方法上就积累了丰富的经验。

度小满介绍,近年来利用深伪技术绕过人脸识别流程的趋势有所增长,对金融机构实名认证系统造成了一定的威胁。最佳的方法来确定是否存在身份伪造，是通过研发“反deepfake”检测算法并运用AI来解决。从三个方面出发，度小满的防深伪检测模型算法策略成功地解决了制造虚假视频的问题。

首先是生成瑕疵。具体而言,由于相关训练数据的缺失,deepfake模型可能无法正确渲染部分人类面部特征,小到眨眼频率不正常,大到口型与声音不吻合等。通过设计特定的分析算子，检测模型能提取出这些“基本肉眼可见”的特征，并进行分析研判。

其次是固有属性。由于不同摄像机拥有不同的设备指纹,类似GAN这种模型在生成人脸时也会留下独特的用于识别生成器的指纹,因此经过对比就能发现端倪。

第三个细节是高层语义。它指的是检测面部动作单元(肌肉群)协调性、面部各区域朝向一致性、视频微观连续性等方面的问题,由于这些细节建模困难、难以复制,很容易抓到把柄。

当然,由于单一特征难以适应复杂的deepfake内容,因此检测模型的整体框架采用的是多特征融合,以此来保证决策的鲁棒性。

在数据样本优势之外,度小满还融入了自己的独创点,包括神经网络搜索调优算法、微表情分析和图卷积(GCN)技术以及基于重建的自监督预训练方法,让模型实现了从“鉴伪”到“鉴真”的转变。

也正因此,去年9月度小满防深伪检测模型顺利通过了信通院人脸识别安全专项评测,获得活体检测安全防护能力优秀级认证。具体效果上,它可以覆盖各种深伪形式,包含静态人像图片活化、AI换脸、人脸虚假合成等,达到千分之一误报率下召回90%以上,也就是99%+的准确率。

随着新的deepfake技术不断出现，金融行业将会面临更多的深度伪造攻击需要应对。度小满认为,未来更多的鉴伪技术应该集中去挖掘语义特征、跨模态特征等,让模型利用可解释性强的高层语义去鉴伪。度小满作为一家创新型的金融科技企业，也将会为金融行业的稳定发展带来更多的科技支持。

今天关于《AI诈骗成功率100%？度小满防深伪模型“用魔法打败魔法”》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于AI诈骗,防深伪模型,度小满的内容请关注golang学习网公众号！