参考资料：
3359 MP.weixin.QQ.com/s/vnhyblne 2g i1 hh wrb7rqrw
3359砖局域网. zhi Hu.com/p/210812688
概念的“深度学习”也被翻译为“深度假动作”，由英语中新出现的组合词Deepfake翻译而来。 计算机“深度学习”(Deeplearning )和“伪造”(fake )的结合，出现在人工智能和机器学习技术的时代。 它被称为合成媒体(synthetic media )，是通过自动化手段，特别是人工智能算法技术进行智能生产，对数据进行操作、修改，最终实现媒体传播行为的结果。 通俗地说，“深假”是一种将图像和声音输入机器学习的算法，“面部操作”(face manipulation ) ——将人脸的轮廓和表情放置在其他人的脸上，同时对声音具有逼真的视觉体验能够制作实际合成但极其真实的视频3354，避免识别、混淆视听，使用户开心的大部分深度伪造依赖于深度学习技术——生成式对抗网络(GANs ) 截至目前，深度伪造技术展示大致可分为以下四类：换脸、唇形同步、脸部再现、动作转移。 通俗地说，就是利用深度学习技术准确地“变脸”。 当然，这项技术不仅仅是为了“变脸”，在电影、健康、教育等其他行业也没有争议地得到应用。 去年大火的ZAO也采用了这一技术。 在英语语境中，“深假”包含多个词，如deepfake、deepfakes、deepfake、deepfakes等。 没有什么新技术能检测出“深度伪造”。 遗憾的是，目前没有商业上可用的工具来检测“深度伪造”。 很明显，任何技术解决方案都与人工智能的“军备竞赛”有关。 因为deepfake的创造者很快就能赶上最新的检测技术。 但是，这并不阻止斯坦福大学的研究者和学生寻找一些可能的解决方案。 一个巧妙的方法是使用基于相同深度学习技术的工具进行反击。 这些技术最初用于制作“深度伪造”视频。 宏伟的硬币(Benjamin Penchas )和简单的海燕(hcdmj Monteiro )介绍了Sherlock AI。 这是他们通过“ensembling convolutional models”)开发的自动检测工具，每个卷积模型都声称视频中他们的解决方案可以在“大规模伪造”数据集上达到97%的检测精度其中包括最大的“大规模伪造”数据集FaceForensics。 他们将Sherlock作为Chrome的扩展插件提供给用户，致力于新闻编辑室的服务。
斯坦福大学计算机科学专业的学生Nikhil Cheerla和Rohan Suri采用了新哈斯的另一种方法。 内容作者可以使用深度神经网络在介质中嵌入不可擦除的数字水印。 恶意攻击者可以修改视频、扭曲音频或交换其他人的脸，但任何更改都不能删除NeuralHash嵌入内容的数字签名。 此签名始终指向原始未修改的内容。 恢复人们对区块链可能成为解决方案的一部分视频的信任最有希望的方法可能是区块链技术。 区块链是一种在互联网上记录数据的新方法。 可以用分散的分散分类帐为数据和交易提供不变的防篡改记录。 Truepic和Serelay等初创企业开发了一个包含移动APP应用程序的系统，用于在公司的服务器上捕获和存储图像。 Truepic上传整个图像，使用区块链存储元数据，确保不变性； 另一方面，Serelay计算唯一的指纹并将其存储在该服务器上。 这些方法看起来很有前景，但在很大程度上依赖可靠的第三方来处理数据。 区块链的关键是分散和消除这些中介。 斯坦福设计学院在2019年1月至3月期间探索了新的区块链APP应用。 我们和学生担心的铅笔(Wesley Peisch )、慈爱的小白菜(Hesam Hamledari )、心跳加速的荷花(Philipp Lill )一起设计了样机。 通过提供真实性证明，人们可以跟踪数字图像的来源。 重要的是，我们的模式是分散的，没有中间人和第三方。 我们使用设计思维的方法，帮助用户追溯包含多个编辑版本的视频的起源。 为此，我们开发了名为VidProv (视频源缩写)的前端分布式APP应用程序，实现了真实性过程的自动化。 有了VidProv，目标是提供高度安全可靠的历史记录跟踪和跟踪工具。 每个视频剪辑都与原始视频或父视频的智能合约相关联。 如果无法跟踪，则数字内容不可靠。 VidProv可以通过帮助用户(记者、事实检查人员和数字内容消费者)确定视频是否可以跟踪可靠和可靠的来源来打击“深度伪造”视频。 我们认为，如果进一步开发该原型，该解决方案将集成到网络浏览器和视频平台中，以展示数字内容的完整性。