自从有了PS,“有图有真相”就成了一句笑话。
比如朋友圈那些忽悠人的微商:
马爸爸为微商站台?
假的吧?
当阿里公关吃素的呀?
“貌美”的微商小姐姐和思聪他爸一起出席会议?
思聪呀,你爸爸糊成这样了你知道么?
不过,现在,马里兰大学与开发出PS的那家逗比公司(Adobe)合作,开发了一项新技术:
一个能找出PS痕迹的AI。
这些P图骗人党彻底被打脸了。
关于这个火眼金睛的AI技术的论文发表在了CVPR上。
这项技术能检测出多种P图手法,包括拼贴、复制和删除的元素。
这项技术可以找出那些后期加上去的元素。
比如,这张巨石前的向日葵:
其实是P的,原图长这样:
根本没有向日葵,只有光秃秃的岩石和海鸟,向日葵是后期P上去的。
为了显得没有违和感,许多人喜欢把原图中的素材扣下来,复制一份,缩小一下再粘回原图的另一个位置。
比如,2008年的时候,伊朗为了吓唬人,发布了一张发射四枚导弹的照片:
然后被眼尖的吃瓜群众发现,从左至右第三枚导弹跟第二枚导弹长的一毛一样,甚至导弹烟雾尾巴上的渐变颜色都一样。
而且,发射导弹的地面上,中间那片云和右边那片云也一模一样,连空中飘的部分都不放过!
看到不想出现在照片上的东西,那就把它抹掉,用周围的颜色材质盖住它。
比如这张照片,看起来……算了,看不出来是啥。
但它的中间被涂抹了一部分,原图长这样:
冒出了一条小鱼的头,大概是被设计师拿出来做剁椒鱼头了吧。
Adobe的新AI技术就可以识别出这3种P过的图,是否被添加了什么额外的东西、是否有复制的元素、是否被删除抹掉了什么东西。
首先,需要准备一个Faster R-CNN网络,来执行端到端的训练,这个网络在检测语义对象时表现出了良好的性能。
现在,我们按照这样一个原理来侦破图片中的造假区域:
和普通的图片检测不同,Adobe家的这个技术用了双流检测的方法,即:
RGB流用来寻找PS痕迹,比如,向日葵图中,向日葵边缘和背景的岩石之间明显不自然,对比度过高。
这就是RGB流需要寻找的“PS痕迹”。
同时,还需要用到区域提议网络(Region Proposal Network, RPN),它是Faster R-CNN的一部分,用来找那些看起来很可疑的部分。
图片是有“噪声”的。
当一张图上的元素被扣下来放到另一张图上时,就会出现一个明显的噪声不同的区域。
当然,肉眼是无法看到的,但是机器可以判断出来。
比如这张图片上,格子地板上放了一个红色正方体。
这张图片看起来仿佛很正常,色调和谐,光影方向正常,没有什么异样的明暗对比。
但是,它的噪声流图片异常诡异:
正方体的前面出现了一个圆洞!
虽然在正方体和浅蓝色(本图为深色)地板上看不出什么问题,但是在黑色(本图为浅色)地板上格外明显。
有一个圆形的东西,在正方体的前方,凭空消失了。
所以,很明显,这片区域有鬼。
实际上,原图是这样的:
红色正方体前本来有一个黄球,在交给噪声流监测的图片上,黄球被P掉了。
在可疑图片经过RGB流和噪声流两条线索的监测之后,结果被放进了一个池化层进行池化。
分别对可疑区域得到不同的结果后,两种方法的结果加以对比,被P过的区域就可以明显找出来了。
在实际应用中,双流效果的确不错。
比如这张图,看起来大概是日本的某个厂房旁边的停车场:
RGB流发现,左边蓝色的牌子上,两块牌子相邻处的上半部分(红框部分)实在是太诡异了。
放大看,是这样:
而噪声流则监测出了更多的bug:
一片黑漆漆!
整张图上的一个半蓝色广告牌,都不对劲。
一定是有人为了掩藏什么内容,把最左边的广告牌和第二个广告牌的上半部分涂成了蓝色。
所以真实的效果是下图,广告牌区域的确被P过。
再来看下一个例子,货架上的手包:
一眼看上去好像没什么毛病,就是同一款式深色浅色的两个包包而已。
但是,RGB流表示,两个包包都有问题:
而噪声流的结果有些不一样,右边的深色包包和它上面的标签都有问题:
既然你们意见不一样,那取个交集吧,右边的深色包包造假是石锤了:
来,公布正确答案:
找对了,本AI经验值+1。
可以看的出,相比此前的研究,马里兰大学和Adobe研发出的这个新型双流操作检测框架,不仅通过RGB流对视觉篡改伪像建模,而且能发现可疑区域噪声特征的差异。
作者在论文中写到,新研究的方法与此前最先进的方法相比,可以提高四个图像处理数据集的性能。
虽然,目前这项技术只是一篇论文,Adobe公司还没有将其产品化。不过Adobe官方对国外科技媒体THE VERGE说,他们准备继续推进该项技术,用来监测数字媒体中的虚假图片信息。
(*σ´∀`)σ 希望逗比家快点做出来,接入微信朋友圈,戳穿微商和蛇精脸们的真相。
最后,附论文传送门~ Learning Rich Features for Image Manipulation Detection 作者:Peng Zhou,Xintong Han,Vlad I. Morariu,Larry S. Davis 发表于CVPR 2018 arXiv:https://arxiv.org/abs/1805.04953 数据集:https://www.nist.gov/itl/iad/mig/nimble-challenge-2017-evaluation