Deepfakes kunnen mensen in video's anonimiseren met behoud van hun persoonlijkheid

Categorie: Kunstmatige intelligentie Geplaatst 17 sep

AI zou gezichten kunnen genereren die overeenkomen met de uitdrukkingen van anonieme onderwerpen om hen privacy te geven, zonder hun vermogen om zichzelf te uiten te verliezen.

Het nieuws: Een nieuwe techniek gebruikt generatieve adversariële netwerken (GAN's), de technologie achter deepfakes, om iemand in een foto of video te anonimiseren.

Hoe het werkt: Het algoritme extraheert informatie over de gezichtsuitdrukking van de persoon door de positie van de ogen, oren, schouders en neus te vinden. Vervolgens gebruikt het een GAN, getraind op een database van 1,5 miljoen gezichtsafbeeldingen, om een ​​geheel nieuw gezicht met dezelfde uitdrukking te creëren en dit in de originele foto te mengen, waarbij dezelfde achtergrond behouden blijft.

Hapering: De techniek is ontwikkeld door onderzoekers van de Noorse Universiteit voor Wetenschap en Technologie en is nog steeds zeer experimenteel. Het werkt op veel soorten foto's en gezichten, maar struikelt nog steeds wanneer het gezicht gedeeltelijk wordt afgedekt of onder een bepaalde hoek wordt gedraaid. De techniek is ook erg glitchy voor filmpje.

Ander werk: Dit is niet de eerste op AI gebaseerde gezichtsanonimiseringstechniek. Een krant in februari gebruikten onderzoekers van de Universiteit van Albany deep learning om belangrijke elementen van de gezichtsuitdrukkingen van een persoon op iemand anders te transplanteren. Die methode vereiste dat een instemmende donor zijn of haar gezicht aanbood als het nieuwe canvas voor de uitdrukkingen.

Waarom het uitmaakt: Gezichtsanonimisering wordt gebruikt om de identiteit van iemand, zoals een klokkenluider, te beschermen in foto's en beeldmateriaal. Maar traditionele technieken, zoals vervaging en pixelvorming, lopen het risico onvolledig te zijn (d.w.z. de identiteit van de persoon kan toch worden ontdekt) of de persoonlijkheid van de persoon volledig weg te nemen (d.w.z. door gezichtsuitdrukkingen te verwijderen). Omdat GAN's het oorspronkelijke gezicht van de proefpersoon helemaal niet gebruiken, elimineren ze elk risico op het eerste probleem. Ze kunnen ook gezichtsuitdrukkingen in hoge resolutie opnieuw creëren en bieden zo een oplossing voor dat laatste.

Niet altijd de slechterik: De techniek demonstreert ook een nieuwe waardepropositie voor GAN's, die een slechte reputatie hebben ontwikkeld voor het verlagen van de drempel voor het produceren van overtuigende verkeerde informatie. Hoewel dit onderzoek beperkt was tot visuele media, laat het bij uitbreiding zien hoe GAN's ook kunnen worden toegepast op audio om stemmen te anonimiseren.