Αποκαλύπτοντας Μικρές αλλά Σημαντικές Επεξεργασίες AI σε Πραγματικά Βίντεο

Το 2019, η Ομιλήτρια της Βουλής των Αντιπροσώπων των ΗΠΑ, Νάνσι Πελόσι, ήταν ο στόχος μιας στοχευμένης και σχετικά χαμηλής τεχνολογίας επιθέσης τύπου deepfake, όταν πραγματικό βίντεο της επεξεργάστηκε για να φαίνεται μεθυσμένη – ένα αρεστό περιστατικό που μοιράστηκε plusieurs εκατομμύρια φορές trước να βγει η αλήθεια (και, πιθανώς, μετά από κάποια σθεναρή ζημιά στην πολιτική της κεφαλαιοποίηση από εκείνους που δεν έμειναν σε επαφή με την ιστορία).

Α хотя αυτή η παραποίηση απαιτούσε μόνο κάποιες απλές επεξεργασίες ήχου και εικόνας, και όχι κάποιο AI, παραμένει ένα κλειδί παράδειγμα του πώς οι λεπτές αλλαγές στις πραγματικές ακουστικές και οπτικές εξόδους μπορούν να έχουν μια καταστροφική επίδραση.

Την εποχή εκείνη, η σκηνή των deepfake κυριαρχούνταν από τα συστήματα ανταποκριτών που βασίζονταν σε autoencoder, τα οποία είχαν κάνει το ντεμπούτο τους στα τέλη του 2017, και δεν είχαν βελτιωθεί σημαντικά σε ποιότητα από τότε. Τέτοια πρώιμα συστήματα θα είχαν δυσκολίες να δημιουργήσουν αυτού του είδους μικρές αλλά σημαντικές αλλαγές, ή να πραγματοποιήσουν moderne ερευνητικές ακολουθίες όπως η επεξεργασία εκφράσεων:

Το 2022 πλαίσιο ‘Neural Emotion Director’ αλλάζει τη διάθεση ενός знамενίτου προσώπου. Πηγή: https://www.youtube.com/watch?v=Li6W8pRDMJQ

Τα πράγματα είναι τώρα khá διαφορετικά. Η βιομηχανία ταινιών και τηλεόρασης ενδιαφέρεται σοβαρά για την μετα-παραγωγή αλλαγών σε πραγματικές ερμηνείες χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης, και η διευκόλυνση του AI για την επίτευξη τελειότητας έχει έρθει υπό πρόσφατη κριτική.

Αντιλαμβανόμενοι (ή επιχειρώντας) αυτή τη ζήτηση, η σκηνή έρευνας σύνθεσης εικόνας και βίντεο έχει προωθήσει μια ευρεία γκάμα έργων που προσφέρουν ‘τοπικές επεξεργασίες’ των προσώπων, αντί για απλές αντικαταστάσεις: έργα αυτού του είδους περιλαμβάνουν Diffusion Video Autoencoders; Stitch it in Time; ChatFace; MagicFace; και DISCO, μεταξύ άλλων.

Επεξεργασία εκφράσεων με το έργο Ιανουαρίου 2025 MagicFace. Πηγή: https://arxiv.org/pdf/2501.02260

Νέα Πρόσωπα, Νέα Ρυτίδες

Ωστόσο, οι τεχνολογίες που τις διευκολύνουν αναπτύσσονται πολύ πιο γρήγορα από τις μεθόδους ανίχνευσης. Почти όλες οι μεθόδους ανίχνευσης deepfake που εμφανίζονται στη βιβλιογραφία κυνηγούν τις μεθόδους deepfake της χθες με τα δεδομένα της χθες. Μέχρι την εβδομάδα, καμία από αυτές δεν είχε αντιμετωπίσει την αυξανόμενη δυνατότητα των συστημάτων AI να δημιουργούν μικρές και τοπικές αλλαγές σε βίντεο.

Τώρα, μια νέα εργασία από την Ινδία έχει αντιμετωπίσει αυτό, με ένα σύστημα που επιδιώκει να αναγνωρίσει πρόσωπα που έχουν επεξεργαστεί (αντί να αντικατασταθούν) μέσω τεχνικών βασισμένων σε AI:

Ανίχνευση Λεπτών Τοπικών Επεξεργασιών σε Deepfakes: Ένα πραγματικό βίντεο τροποποιείται για να παράγει ψευδείς με λεπτές αλλαγές όπως υψωμένα φρύδια, τροποποιημένα χαρακτηριστικά φύλου και μετατοπίσεις της έκφρασης προς δυσαρέσκεια (εικονογραφημένο εδώ με ένα singled frame). Πηγή: https://arxiv.org/pdf/2503.22121

Το σύστημα των συγγραφέων έχει ως στόχο την ανίχνευση deepfakes που εμπλέκονται σε λεπτές, τοπικές χειρισμοί προσώπων – μια αλλιώς παραμελημένη τάξη πλαστογραφίας. Αντί να επικεντρωθεί σε παγκόσμιες ασυνέπειες ή αναταραχές ταυτότητας, η προσέγγιση στοχεύει σε λεπτομερείς αλλαγές όπως μικρές μετατοπίσεις έκφρασης ή μικρές επεξεργασίες συγκεκριμένων χαρακτηριστικών του προσώπου.

Η μέθοδος χρησιμοποιεί τον οριοθέτη Δράσεων (AUs) στο Σύστημα Κωδικοποίησης Προσώπου (FACS), το οποίο ορίζει 64 πιθανές ατομικές μεταβλητές περιοχές στο πρόσωπο, οι οποίες μαζί σχηματίζουν εκφράσεις.

Μερικά από τα συνθετικά 64 μέρη έκφρασης στο FACS. Πηγή: https://www.cs.cmu.edu/~face/facs.htm

Οι συγγραφείς αξιολόγησαν την προσέγγισή τους ενάντια σε eine ποικιλία πρόσφατων μεθόδων επεξεργασίας και αναφέρουν συνεπείς κέρδη απόδοσης, τόσο με παλαιότερα δεδομένα όσο και με πολύ πρόσφατες επιθέσεις:

‘Με τη χρήση AU-βασισμένων χαρακτηριστικών για την οδήγηση των αναπαραστάσεων βίντεο που μάθονται μέσω Masked Autoencoders [(MAE)], η μέθοδός μας ανακτά αποτελεσματικά τις τοπικές αλλαγές που είναι κρίσιμες για την ανίχνευση λεπτών επεξεργασιών προσώπων.

‘Αυτή η προσέγγιση μας επιτρέπει να κατασκευάσουμε μια ενιαία.latent αναπαράσταση που κωδικοποιεί τόσο τις τοπικές επεξεργασίες όσο και τις ευρύτερες αλλαγές σε βίντεο κεντροθετημένα στο πρόσωπο, παρέχοντας μια ολοκληρωμένη και προσαρμόσιμη λύση για την ανίχνευση deepfakes.’

Η νέα εργασία έχει τον τίτλο Ανίχνευση Τοπικών Χειριστικών Deepfakes Χρησιμοποιώντας Αναπαραστάσεις Βίντεο Οδηγούμενες από Δράσεις, και προέρχεται από τρεις συγγραφείς στο Ινδικό Ινστιτούτο Τεχνολογίας στο Madras.

Μέθοδος

Σε συμφωνία με την προσέγγιση που ακολουθείται από VideoMAE, η νέα μέθοδος αρχίζει εφαρμόζοντας ανίχνευση προσώπου σε ένα βίντεο και δειγματοληψία ισοκατανεμημένων πλαισίων κεντροθετημένων στα ανιχνευμένα πρόσωπα. Αυτά τα πλαισία then διαιρούνται σε μικρές 3D διαιρέσεις (δηλαδή, χρονικά ενεργοποιημένα patches), κάθε一个 από τα οποία ανακτά τοπικές χωρικές και χρονικές λεπτομέρειες.

Σχήμα για τη νέα μέθοδο. Το εισαγόμενο βίντεο επεξεργάζεται με ανίχνευση προσώπου για να εξαγάγει ισοκατανεμημένα, κεντροθετημένα πλαισία, τα οποία затем διαιρούνται σε σωλήνες και περνούν через έναν κωδικοποιητή που συνδυάζει λανθάνουσες αναπαραστάσεις από δύο προ-εκπαιδευμένες προθήκες. Το αποτέλεσμα είναι ένα διανυσματικό που χρησιμοποιείται από έναν ταξινομητή για να καθορίσει εάν το βίντεο είναι πραγματικό ή ψεύτικο.

Κάθε 3D patch περιέχει ένα σταθερό μέγεθος πλαισίου pixel (δηλαδή, 16×16) από ένα μικρό αριθμό διαδοχικών πλαισίων (δηλαδή, 2). Αυτό επιτρέπει στο μοντέλο να μάθει σύντομες κινήσεις και αλλαγές έκφρασης – όχι μόνο τι выглядίζει το πρόσωπο, αλλά πώς κινείται.

Τα patches ενσωματώνονται και θεσμικά κωδικοποιούνται πριν περάσουν σε έναν κωδικοποιητή που σχεδιάζεται για να εξαγάγει χαρακτηριστικά που μπορούν να διακρίνουν πραγματικά από ψεύτικα.

Οι συγγραφείς αναγνωρίζουν ότι αυτό είναι ιδιαίτερα δύσκολο όταν αντιμετωπίζουν λεπτές χειριστικές, και αντιμετωπίζουν αυτό το ζήτημα κατασκευάζοντας έναν κωδικοποιητή που συνδυάζει δύο ξεχωριστές μορφές μαθημένων αναπαραστάσεων, χρησιμοποιώντας einen cross-attention μηχανισμό για να συνδυάσει αυτές. Αυτό έχει ως στόχο να παράγει ένα πιο ευαίσθητο και γενικεύσιμο χώρο χαρακτηριστικών για την ανίχνευση τοπικών επεξεργασιών.

Προθήκες

Η πρώτη από αυτές τις αναπαραστάσεις είναι ένας κωδικοποιητής που εκπαιδεύεται με μια εργασία αυτόματης κωδικοποίησης. Με το βίντεο χωρισμένο σε 3D patches (τα περισσότερα από τα οποία είναι κρυμμένα), ο κωδικοποιητής μαθαίνει να ανακατασκευάζει τα λείπουντα μέρη, αναγκάζοντάς τον να ανακαλύψει σημαντικά χωροχρονικά μοτίβα, όπως κίνηση προσώπου ή συνέχεια στο χρόνο.

Η προθήκη εκπαίδευσης περιλαμβάνει τη μάσκωση τμημάτων της εισαγωγής βίντεο και τη χρήση ενός κωδικοποιητή-αποκωδικοποιητή για να ανακατασκευάσει είτε τα αρχικά πλαισία είτε χάρτες δράσεων ανά πλαισίο, ανάλογα με την εργασία.

Ωστόσο, η εργασία παρατηρεί ότι αυτό μόνο δεν παρέχει αρκετή ευαισθησία για την ανίχνευση λεπτών επεξεργασιών, και οι συγγραφείς εισάγουν μια δεύτερη κωδικοποιητή που εκπαιδεύεται για να ανακατασκευάσει πυκνούς χάρτες δράσεων για κάθε πλαισίο, ξανά από μερικά μασκωμένα εισαγωγικά. Αυτό τον ενθαρρύνει να επικεντρωθεί σε τοπικές μυϊκές δραστηριότητες, όπου συμβαίνουν πολλές λεπτές επεξεργασίες deepfake.

Πρόσθετα παραδείγματα Δράσεων Προσώπου (FAUs, ή AUs). Πηγή: https://www.eiagroup.com/the-facial-action-coding-system/

Μόλις και οι δύο κωδικοποιητές προ-εκπαιδευτούν, οι εξαγωγές τους συνδυάζονται χρησιμοποιώντας cross-attention. Αντί να συνδυάσει απλώς τις δύο σειρές χαρακτηριστικών, το μοντέλο χρησιμοποιεί τα χαρακτηριστικά AU-βασισμένα ως ερωτήσεις που οδηγούν την προσοχή πάνω στα χωροχρονικά χαρακτηριστικά που μάθονται από την αυτόματη κωδικοποίηση. Στην πραγματικότητα, ο κωδικοποιητής δράσεων λέει στο μοντέλο πού να κοιτάξει.

Το αποτέλεσμα είναι μια συνδυασμένη λανθάνουσα αναπαράσταση που προορίζεται να ανακτά τόσο τον ευρύτερο κινηματικό контекστό όσο και τις τοπικές λεπτομέρειες έκφρασης. Αυτός ο συνδυασμένος χώρος χαρακτηριστικών χρησιμοποιείται για την τελική εργασία ταξινόμησης: να προβλέψει εάν ένα βίντεο είναι πραγματικό ή χειρισμένο.

Δεδομένα και Τεστ

Εφαρμογή

Οι συγγραφείς εφαρμόστηκαν το σύστημα με την προεπεξεργασία των εισαγωγικών βίντεο με το PyTorch-βασισμένο πλαίσιο ανίχνευσης προσώπου FaceXZoo, αποκτώντας 16 face-κεντροθετημένα πλαισία από κάθε κλιπ. Οι προθήκες που περιγράφηκαν παραπάνω εκπαιδεύτηκαν στο CelebV-HQ dataset, που αποτελείται από 35.000 υψηλής ποιότητας βίντεο προσώπων.

Από την πηγή εργασίας, παραδείγματα από το dataset CelebV-HQ που χρησιμοποιήθηκε στο νέο έργο. Πηγή: https://arxiv.org/pdf/2207.12393

Το μισό των παραδειγμάτων δεδομένων μασκαρίστηκαν, αναγκάζοντας το σύστημα να μάθει γενικούς κανόνες αντί να υπερ-προσαρμοστεί στα δεδομένα πηγής.

Για την εργασία ανακατασκευής πλαισίου, το μοντέλο εκπαιδεύτηκε να προβλέψει λείπουντα τμήματα πλαισίων βίντεο χρησιμοποιώντας μια L1 απώλεια, ελαχιστοποιώντας τη διαφορά μεταξύ του αρχικού και του ανακατασκευασμένου περιεχομένου.

Για τη δεύτερη εργασία, το μοντέλο εκπαιδεύτηκε να παράγει χάρτες για 16 δράσεις προσώπου, κάθε μια από τις οποίες αντιπροσωπεύει λεπτές μυϊκές κινήσεις σε περιοχές όπως τα φρύδια, τα βλέφαρα, η μύτη και τα χείλη, ξανά με L1 απώλεια.

Μετά την προ-εκπαίδευση, οι δύο κωδικοποιητές συνδυάστηκαν και βελτιστοποιήθηκαν για την ανίχνευση deepfake χρησιμοποιώντας το FaceForensics++ dataset, το οποίο περιέχει τόσο πραγματικά όσο και χειρισμένα βίντεο.

Το dataset FaceForensics++ έχει sido το κεντρικό σημείο αναφοράς για την ανίχνευση deepfake από το 2017, αν και τώρα είναι σημαντικά παλιό, σε σχέση με τις τελευταίες τεχνικές σύνθεσης προσώπου. Πηγή: https://www.youtube.com/watch?v=x2g48Q2I2ZQ

Για να αντιμετωπιστούν αンバλάνς τάξης, οι συγγραφείς χρησιμοποίησαν Focal Loss (μια παραλλαγή της απώλειας διασταύρωσης), η οποία τονίζει πιο απαιτητικά παραδείγματα κατά την εκπαίδευση.

Όλη η εκπαίδευση διεξήχθη σε ένα μόνο RTX 4090 GPU με 24Gb VRAM, με μέγεθος batch 8 για 600 epochs (πλήρεις αναθεωρήσεις των δεδομένων), χρησιμοποιώντας προ-εκπαιδευμένα σημεία από το VideoMAE για την αρχικοποίηση των βαρών για κάθε προθήκης.

Τεστ

Ποσοτικές και ποιοτικές αξιολογήσεις διεξήχθησαν ενάντια σε eine ποικιλία μεθόδων ανίχνευσης deepfake: FTCN; RealForensics; Lip Forensics; EfficientNet+ViT; Face X-Ray; Alt-Freezing;  CADMM; LAANet; και BlendFace’s SBI. Σε όλες τις περιπτώσεις, ο κώδικας πηγής ήταν διαθέσιμος για αυτά τα πλαίσια.

Τα τεστ επικεντρώθηκαν σε τοπικά-επεξεργασμένα deepfakes, όπου μόνο ένα μέρος του πηγαίου κλιπ τροποποιήθηκε. Αρχιτεκτονικές που χρησιμοποιήθηκαν ήταν Diffusion Video Autoencoders (DVA);  Stitch It In Time (STIT); Disentangled Face Editing (DFE); Tokenflow; VideoP2P; Text2Live; και FateZero. Αυτές οι μεθόδοι χρησιμοποιούν μια ποικιλία προσεγγίσεων (diffusion για DVA και StyleGAN2 για STIT και DFE, για παράδειγμα)

Οι συγγραφείς δηλώνουν:

‘Για να διασφαλίσουμε μια ολοκληρωμένη κάλυψη διαφόρων χειριστικών προσώπων, ενσωματώσαμε eine ευρεία ποικιλία χαρακτηριστικών προσώπου και επεξεργασιών ιδιοτήτων. Για την επεξεργασία χαρακτηριστικών προσώπου, τροποποιήσαμε το μέγεθος των ματιών, την απόσταση ματιών-φρυδιών, το λόγο μύτης, την απόσταση μύτης-στόματος, το λόγο χειλιών και το λόγο μάγουλων. Για την επεξεργασία ιδιοτήτων προσώπου, ποικίλαμε εκφράσεις όπως χαμόγελο, θυμό, δυσαρέσκεια και λύπη.

‘Αυτή η ποικιλία είναι απαραίτητη για την επικύρωση της ανθεκτικότητας του μοντέλου μας σε eine ευρεία γκάμα τοπικών επεξεργασιών. Συνολικά, γεννήσαμε 50 βίντεο για κάθε μια από τις παραπάνω μεθόδους και επικύρωσα την ισχυρή γενίκευση του μοντέλου μας για την ανίχνευση deepfake.’

Παλαιότερα datasets deepfake συμπεριλήφθηκαν επίσης στις γύρους, συγκεκριμένα Celeb-DFv2 (CDF2); DeepFake Detection (DFD); DeepFake Detection Challenge (DFDC); και WildDeepfake (DFW).

Μετρικές αξιολόγησης ήταν Ευκλείδειος Χώρος (AUC); Μέσος Όρος Precision; και Μέσος F1 Score.

Από την εργασία: σύγκριση σε πρόσφατα τοπικά deepfakes δείχνει ότι η προτεινόμενη μέθοδος υπερέβη όλες τις άλλες, με κέρδος 15 έως 20 τοις εκατό σε AUC και μέσο precision πάνω από την επόμενη καλύτερη προσέγγιση.

Οι συγγραφείς παρέχουν επίσης μια οπτική σύγκριση ανίχνευσης για τοπικά χειρισμένα views (αναπαράγεται μόνο εν μέρει εδώ, λόγω έλλειψης χώρου):

Ένα πραγματικό βίντεο τροποποιήθηκε χρησιμοποιώντας τρεις διαφορετικές τοπικές χειριστικές για να παράγει ψευδείς που παρέμειναν οπτικά παρόμοιες με το αρχικό. Εμφανίζονται εδώ αντιπροσωπευτικά πλαισία μαζί με τους μέσους όρους ψεύτικων βαθμολογιών για κάθε μέθοδο. Ενώ οι υφιστάμενες ανιχνευτές δυσκολεύτηκαν με αυτές τις λεπτές επεξεργασίες, το προτεινόμενο μοντέλο ανέφερε συνεχώς υψηλές ψευδείς πιθανότητες, δείχνοντας μεγαλύτερη ευαισθησία σε τοπικές αλλαγές.

Οι ερευνητές σχολιάζουν:

‘[Οι] υφιστάμενες μεθόδους ανίχνευσης SOTA, [LAANet], [SBI], [AltFreezing] και [CADMM], αντιμετωπίζουν σημαντική πτώση στην απόδοση στα τελευταία μέθοδα γεννήσεων deepfake. Οι υφιστάμενες μεθόδους SOTA παρουσιάζουν AUCs τόσο χαμηλά όσο 48-71%, δείχνοντας τις κακές ικανότητες γενίκευσης τους για τις πρόσφατες deepfakes.

‘Από την άλλη πλευρά, η μέθοδός μας δείχνει ανθεκτική γενίκευση, επιτυγχάνοντας AUC στην περιοχή 87-93%. Μια παρόμοια τάση είναι ορατή και στην περίπτωση της μέσης precision. Όπως φαίνεται [παρακάτω], η μέθοδός μας επίσης συνεχίζει να επιτυγχάνει υψηλή απόδοση στα τυπικά datasets, υπερβαίνοντας 90% AUC και είναι ανταγωνιστική με πρόσφατες μεθόδους ανίχνευσης deepfake.’

Η απόδοση στα παραδοσιακά datasets deepfake δείχνει ότι η προτεινόμενη μέθοδος παρέμεινε ανταγωνιστική με τις ηγετικές προσεγγίσεις, δείχνοντας ισχυρή γενίκευση σε eine ποικιλία τύπων χειριστικών.

Οι συγγραφείς παρατηρούν ότι αυτά τα τελευταία τεστ εμπλέκουν μοντέλα που θα μπορούσαν να θεωρηθούν ξεπερασμένα, και τα οποία εισήχθησαν πριν από το 2020.

Για μια πιο εκτεταμένη οπτική απεικόνιση της απόδοσης του νέου μοντέλου, οι συγγραφείς παρέχουν μια εκτεταμένη πίνακα στο τέλος, μόνο ένα μέρος του οποίου έχουμε χώρο να αναπαράγουμε εδώ:

Σε αυτά τα παραδείγματα, ένα πραγματικό βίντεο τροποποιήθηκε χρησιμοποιώντας τρεις τοπικές επεξεργασίες για να παράγει ψευδείς που ήταν οπτικά παρόμοιες με το αρχικό. Οι μέσοι όροι ψευδικών βαθμολογιών σε αυτές τις χειριστικές δείχνουν, οι συγγραφείς δηλώνουν, ότι το προτεινόμενο μοντέλο ανίχνευσε τις πλαστογραφίες πιο αξιόπιστα από άλλες ηγετικές προσεγγίσεις. Παρακαλούμε αναφερθείτε στην τελευταία σελίδα του αρχείου PDF πηγής για τα πλήρη αποτελέσματα.

Οι συγγραφείς ισχυρίζονται ότι το μοντέλο τους επιτυγχάνει ψευδείς βαθμολογίες πάνω από 90% για την ανίχνευση τοπικών επεξεργασιών, ενώ οι υφιστάμενες μεθόδους ανίχνευσης παρέμειναν κάτω από 50% στην ίδια εργασία. Ερμηνεύουν αυτή τη διαφορά ως απόδειξη της ευαισθησίας και της γενίκευσης της προσέγγισής τους, και ως ένδειξη των προκλήσεων που αντιμετωπίζουν οι τρέχουσες τεχνικές στην αντιμετώπιση αυτών των τύπων λεπτών χειριστικών.

Για να αξιολογήσουν την αξιοπιστία του μοντέλου τους υπό πραγματικές συνθήκες, και σύμφωνα με τη μέθοδο που καθορίστηκε από CADMM, οι συγγραφείς ελέγξαν την απόδοσή του σε βίντεο που τροποποιήθηκαν με κοινές παραμορφώσεις, συμπεριλαμβανομένων ρυθμίσεων κορεσμού και αντίθεσης, Gaussian θόλωση, pixelation, και μπλοκ-βασισμένες αρτεφάκτα συμπίεσης, καθώς και προσθετική θόλωση.

Τα αποτελέσματα έδειξαν ότι η ακρίβεια ανίχνευσης παρέμεινε σε μεγάλο βαθμό σταθερή σε αυτές τις παραμορφώσεις. Η μόνη αξιοσημείωτη πτώση συνέβη με την προσθήκη Gaussian θόλωσης, η οποία προκάλεσε μια μέτρια πτώση στην απόδοση. Άλλες αλλαγές είχαν ελάχιστη επίδραση.

Μια απεικόνιση του πώς η ακρίβεια ανίχνευσης αλλάζει υπό διαφορετικές παραμορφώσεις βίντεο. Η νέα μέθοδος παρέμεινε ανθεκτική σε meisten περιπτώσεις, με μόνο μια μικρή πτώση στο AUC. Η πιο σημαντική πτώση συνέβη όταν εισήχθη Gaussian θόλωση.

Αυτά τα ευρήματα, οι συγγραφείς προτείνουν, δείχνουν ότι η ικανότητα του μοντέλου να ανιχνεύει τοπικές χειριστικές δεν διαταράσσεται εύκολα από τυπικές χειριστικές ποιότητας βίντεο, υποστηρίζοντας την πιθανή ανθεκτικότητά του σε πρακτικές συνθήκες.

Συμπέρασμα

Η χειριστική του AI υπάρχει στην δημόσια συνείδηση κυρίως στην παραδοσιακή έννοια των deepfakes, όπου η ταυτότητα ενός ατόμου επιβάλλεται στο σώμα ενός άλλου ατόμου, το οποίο μπορεί να εκτελεί ενέργειες αντίθετες με τις αρχές του ιδιοκτήτη της ταυτότητας. Αυτή η αντίληψη αρχίζει να ενημερώνεται για να αναγνωρίσει τις πιο δολίες ικανότητες των γεννητικών συστημάτων βίντεο (στην νέα γενιά των βίντεο deepfakes), και τις ικανότητες των λανθανουσών μοντέλων διάχυσης (LDMs) γενικά.

Έτσι είναι λογικό να περιμένουμε ότι ο τύπος τοπικής επεξεργασίας που η νέα εργασία ασχολείται μπορεί να μην προσελκύσει την προσοχή του κοινού μέχρι να συμβεί ένα κρίσιμο γεγονός τύπου Pelosi,既然 οι άνθρωποι αποσπάστηκαν από αυτή τη δυνατότητα από πιο εύκολες επικεφαλίδες όπως απάτη βίντεο deepfake.

Ωστόσο, όπως ο ηθοποιός Nic Cage έχει εκφράσει συνεχείς ανησυχίες σχετικά με την πιθανότητα των διαδικασιών μετά-παραγωγής να ‘αναθεωρούν’ την ερμηνεία ενός ηθοποιού, πρέπει επίσης να ενθαρρύνουμε μεγαλύτερη ευαισθητοποίηση για αυτόν τον τύπο ‘λεπτής’ προσαρμογής βίντεο – όχι μόνο επειδή είμαστε φυσικά εξαιρετικά ευαίσθητοι σε πολύ μικρές παραλλαγές της έκφρασης του προσώπου, αλλά και επειδή ο контекστ μπορεί να αλλάξει σημαντικά την επίδραση των μικρών κινήσεων του προσώπου (σκέφτεται την ανατρεπτική επίδραση ακόμη και του σαρκασμού σε μια κηδεία, για παράδειγμα).

Πρώτη δημοσίευση Τετάρτη, 2 Απριλίου 2025