人工智能应用-机器视觉:AI 鉴伪 02.虚假人脸生成

对抗生成网络(GAN)是一种常用的人脸合成模型。GAN 包含两个核心模块:生成器(Generator)和判别器(Discriminator)。生成器的任务是从随机噪声中"创造"出一张看似真实的图片,而判别器则负责判别一张图片是真实的还是生成的。生成器和判别器之间展开了一场"智力博弈":生成器不断提升生成图片的质量,试图骗过判别器。判别器变得越来越敏锐,努力识破生成器的"伪装"。经过这种反复对抗的过程,生成器最终学会了生成极其逼真的图片。

当我们用GAN 生成人脸时,一张随机噪声图片可以被看作是一组生成因子的组合,生成器将这些因子"转化"成一张人脸。当训练数据足够丰富时,生成器可以产生几乎无法与真实照片区分的合成人脸。图 27.3展示了通过 GAN 生成的虚假人脸------它们看起来和真实人脸几乎没有区别。

基于 GAN 生成的人脸图片。图片来源:Karras et al. 2018

相关推荐
吴佳浩4 小时前
我把 HAMi 摆回一台双卡机器上跑了一遍:GPU 编排的性能账,到底记在谁头上
人工智能·gpu
forest_098 小时前
《AI 编程 Harness 实战手册》04|审批这道门:点了一百次“允许”,还剩多少作用?
人工智能·算法·prompt·agi
火山引擎开发者社区9 小时前
当 RPA 遇上 Agent:MUA 混合执行 Workflow 深度拆解
人工智能
严肃小白兔9 小时前
第 10/24 期:深度神经网络的自动求导机制与梯度验证
人工智能·神经网络·dnn
火山引擎开发者社区9 小时前
定档12.16-12.18!FORCE原动力大会上海见!
人工智能
努力的MM1239 小时前
CAIE 二级和阿里云大模型 ACP 怎么选?企业 AI 工程与云平台开发能力对比
人工智能
老金带你玩AI9 小时前
Kling Image 4.0来了!8K和组图直出,电商人的提效神器?
人工智能
孟健10 小时前
用 unslop 拯救 AI 生成网页的塑料感,7 分钟重构落地实测
前端·人工智能·ai编程
stormzhangV10 小时前
Google 重返第一梯队
人工智能·google·aigc