Урок 8. Deepfake: Создание и распознавание поддельных видео с помощью ИИ

Цель урока:

• Разобраться, как работают deepfake-видео.

• Узнать, какие технологии используются для создания и обнаружения подделок.

• Научиться создавать и анализировать deepfake-видео с помощью ИИ.

Что такое Deepfake?

Deepfake – это технология, основанная на нейросетях, которая позволяет заменять лица, изменять голос и создавать реалистичные поддельные видео. Эта технология активно используется в развлечениях, киноиндустрии и даже в кибербезопасности.

Применение deepfake:

✅ Создание реалистичных замен лиц в фильмах (например, омолаживание актёров).

✅ Голосовые deepfake – подделка речи известных людей.

✅ Мемы и развлекательный контент (например, приложения типа Reface).

✅ Опасность – мошенники используют deepfake для создания фальшивых новостей.

Технология deepfake использует автоэнкодеры и GAN (генеративные нейросети) для обучения на изображениях лиц и их замены.

Как работают Deepfake?

1. Сбор данных – необходимо собрать много изображений человека, чьё лицо мы хотим заменить.

2. Обучение автоэнкодера – модель обучается распознавать и кодировать лица.

3. Замена лица в видео – обученная модель накладывает лицо одного человека на другого.

4. Постобработка – устраняются артефакты, повышается реалистичность.

Основные инструменты для работы с deepfake:

• DeepFaceLab – популярная программа для создания deepfake-видео.

• Faceswap – open-source проект для подмены лиц.

• First Order Motion Model – технология анимации лиц на основе одного изображения.

Пример кода: создание Deepfake с First Order Motion Model

1. Установка библиотек

pip install imageio imageio-ffmpeg numpy scipy torch torchvision tqdm

2. Использование готовой модели для анимации лица

import imageio

import numpy as np

import torch

from scipy.spatial import ConvexHull

from skimage import img_as_ubyte

from skimage.transform import resize

from demo import load_checkpoints, make_animation

# Загрузка модели

generator, kp_detector = load_checkpoints(config_path='config/vox-256.yaml', checkpoint_path='vox-cpk.pth.tar')

# Загрузка изображения (например, фото лица) и видео с движениями

source_image = imageio.imread('source_face.jpg') # Фотография лица

driving_video = imageio.mimread('driving_video.mp4') # Видео для анимации

# Изменение размера

source_image = resize(source_image, (256, 256))[..., :3]

driving_video = [resize(frame, (256, 256))[..., :3] for frame in driving_video]

# Создание анимации

predictions = make_animation(source_image, driving_video, generator, kp_detector)

# Сохранение результата

imageio.mimsave('output.mp4', [img_as_ubyte(frame) for frame in predictions])

Этот код позволяет взять статичное фото и заставить его двигаться в соответствии с видео. Например, можно оживить историческую фотографию.

Как распознать Deepfake?

Поскольку deepfake может использоваться для дезинформации и мошенничества, важно уметь их обнаруживать.

Признаки поддельного видео:

⚠️ Неправильное мигание (глаза моргают неестественно).

⚠️ Артефакты вокруг лица (заметны резкие границы).

⚠️ Несоответствие мимики и эмоций.

⚠️ Искажения и «скачки» при движении головы.

Существуют нейросети, которые умеют распознавать deepfake. Например:

• FaceForensics++ – модель для обнаружения поддельных видео.

• XceptionNet – CNN для анализа аномалий в видео.

Пример кода: обнаружение Deepfake с XceptionNet

import tensorflow as tf

from tensorflow.keras.applications.xception import Xception, preprocess_input

import numpy as np

import cv2

# Загрузка модели XceptionNet

model = Xception(weights='imagenet', include_top=True)

# Функция для проверки изображения

def detect_deepfake(image_path):

  image = cv2.imread(image_path)

  image = cv2.resize(image, (299, 299)) # Размер для Xception

  image = preprocess_input(image)

  image = np.expand_dims(image, axis=0)

  prediction = model.predict(image)

  return "Deepfake обнаружен" if np.argmax(prediction) == 1 else "Изображение настоящее"

print(detect_deepfake("test_image.jpg"))

Этот код проверяет изображение и пытается определить, является ли оно подделкой.

Применение Deepfake в реальной жизни

✅ Кино и развлечения – создание реалистичных спецэффектов.

✅ Рекламные технологии – анимация лиц без участия актёров.

✅ Образование – возможность «оживлять» исторических личностей.

✅ Опасность – мошенники используют deepfake для фальшивых новостей и афер.

Заключение:

Сегодня ты узнал:

• Как создаются deepfake-видео.

• Какие технологии применяются для подмены лиц.

• Как обучить ИИ-анимацию лица.

• Как распознавать поддельные видео.

Домашнее задание:

1. Установи DeepFaceLab или Faceswap и попробуй заменить лицо в видео.

2. Исследуй методы борьбы с deepfake.

3. Попробуй обучить собственную модель для обнаружения поддельных изображений.

В следующем уроке мы разберём как ИИ понимает и генерирует текст (GPT, BERT, LLaMA и другие модели)!