出品：科普中國
製作：JOJO （神戶大學系統信息學院）
監製：中國科學院計算機網絡信息中心
前段時間某直播平台出現了大型“翻車”現場，一名為“喬碧蘿殿下”的女主播在與另一名網紅女主播互動的時候，由於連麥bug導致之前一直用來遮擋臉部的gif動畫形象的圖片消失不見，露出了大媽本尊面容。強烈的反差完全顛覆了網友的認知，大家看完對比照片紛紛吐槽：如今的美顏軟體功能實在太強大了，直接能把58歲大媽p成18歲蘿莉！
美顏神器在手、網紅顏值我有（來源：https://kotaku.com/glitch-reveals-popular-young-streamer-is-a-middle-aged-1836843617）
現在的美顏技術已不僅局限在磨皮、美白、袪痘等水準，手機應用商店裡隨隨便便找到一款修圖軟體，都能一鍵開啟秒變明星顏值的功能。除了修臉型、開眼角讓你擁有改頭換面的網紅明星臉，還能讓你的小短腿小肚腩瞬間變成超模長腿、小蠻腰。除此以外還有改眉形、塗眼影、抹口紅、打高光等自動化妝功能，而且傻瓜式操作，完全不需要百萬修圖師的PS技能。
近幾年隨著人工智能算法逐漸實用化，結合人臉檢測和人臉定位的AI技術，針對人臉不同部位進行定向優化，從而對唇彩、粉底、腮紅、眼線，眼影、酒窩、臥蠶等實現自動美妝，靜態圖像甚至動態視頻的美顏處理效果已經達到了以假亂真的程度。
美顏APP如何知道這是你的臉？
要實現逼真的高顏值美顏效果，首先軟體要知道你的臉在哪，其中涉及的關鍵技術是人臉檢測。人臉檢測技術的任務在於識別出圖片中的所有人臉，提取特徵後輸出人臉的大小和位置坐標。
人臉檢測算法需要輸入很多張圖片，通過深度學習神經網絡模型計算後可得到人臉框的坐標序列。即使圖中出現的多張人臉、角度改變、部分遮擋等複雜情況，也可以處理，快速、準確地定位人臉。
來源：https://becominghuman.ai/face-detection-models-and-softwares-42b562a8e151
美顏APP是如何將口紅精確的抹你唇上的？
美顏特效處理的實現主要還是依賴於人臉關鍵點定位的準確性。通過人臉檢測技術得到人臉框以後，將原圖和人臉框輸入人臉配準（Face Alignment）算法模型，輸出人臉五官和輪廓關鍵點的坐標。最常見的特徵，包括眼睛、瞳孔、眉毛、鼻子、嘴等位置。
來源：https://pytorch.org/tutorials/beginner/data_loading_tutorial.html
人臉關鍵點之間存在一定的位置關係，比如人有左右兩隻眼睛，眉毛在眼睛上面，鼻子在眼睛下方的中間位置，鼻子下面是嘴。即使圖像發生旋轉，從相對位置來說，眼睛鼻子嘴巴還是會保持這種固定的結構關係。否則，“人臉”可能就會隨意變成下面這樣子。
畢加索抽象人臉畫，來源：http://www.apartexchange.com/Guide_paris3-picasso.htm
要描述這種位置結構上的關係，我們可以在計算機上用一串固定長度的數值來表征，這個數值串被稱為“人臉特徵（Face Features）”。人臉特徵提取的過程需要輸入原圖以及五官輪廓關鍵點坐標，深度學習算法會根據人臉五官關鍵點坐標將人臉對齊預定模式後計算，輸出人臉相應的一個特徵數值串。
對於視頻，雖然可以看成逐幀的靜態圖像處理問題，還是要考慮關鍵點的跟蹤問題，以保證圖片幀之間關鍵點的連續性。要在真實環境拍攝下的視頻裡針對任意光照、各種誇張的表情以及各種角度的側臉，準確定位和跟蹤人臉關鍵點的位置，仍然是一個具有挑戰性的問題。
來源：Freepik.com
美顏是怎樣做到讓皮膚變好的？
準確定位這些關鍵點之後，以這些關鍵點組成一個網格，對這個網格按照固定的參數進行局部形變，就可以形成瘦臉、大眼等特效算法。
在所有特效處理中，美白磨皮算是唯一不能缺少的環節，畢竟“一白遮百醜、長痘毀所有”。美白算法的目標是把膚色區域變得更加的透亮。這部分的算法可謂層出不窮，基本思路都是如何調整圖片的亮度問題。而磨皮的算法就更多了，包括使用高斯模糊，雙邊濾波等。具體選擇哪種算法，並且需要結合哪些細節增強的後處理技術，以達到更好的磨皮效果，也是非常複雜並且需要大量投入的。
人臉檢測技術除了美顏，還大有用處
人臉檢測/識別技術除了在前述美顏應用軟體上造福廣大愛美人士以外，還被廣泛應用在日常生活中的許多方面，給人們帶來更多高質量生活的科技解決途徑。
這裡我們需要了解一下“相似度”的概念。前面提取出來的人臉特徵數值串可以用來表徵人臉特徵，輸入兩組不同人臉圖片的特徵值，通過某些規則定義的算法公式可以得到兩個特徵之間的相似度。
比如下面兩張圖計算後得出相似度97.82%的結論，嗯，相似度蠻高的嘛，非常滿意！（因為就是我老婆本人呀~呵呵。）
“老婆”照片，來源：https://www.hmv.co.jp/goods/genre_グッズ_2019年カレンダー_女性タレント・アイドル_4_920_930_930001/
在人臉對比的基礎上再設定一個閾值，就可以實現人臉驗證功能了。舉個例子，預先設定好閾值為80%，那麽當相似度大於80%就會輸出“同一個人”的判斷。
來源：作者自製
既然人工智能已經會判斷出是不是同一個人了，那麽基於這個原理，它就能幫助人類實現更多複雜應用了。
比如，現在許多手機已經具備的人臉解鎖功能。這項實用的功能用到的技術被稱為“人臉驗證”，手機等終端設備只需將用戶事先注冊登記的照片與現場臨時采集的照片做對比，判斷是否為同一人，就能完成身份驗證。
人臉驗證做的是1：1比對，其身份驗證模式本質上是計算機對當前人臉與人像數據庫進行快速人臉比對，並得出是否匹配的過程。比如在高速公路、機場安檢時，受檢人員手持身份證等證件，通過檢查通道，同時對受檢人員的外貌及身份證信息進行識別，這個過程就是典型的1：1模式。
來源：作者自製
與1：1比對的人臉驗證不同，1：N(一對多)查找比對的人臉識別（Face Recognition）技術則被廣泛應用在小區門禁、會場簽到以及新零售概念裡的客戶識別等現實場景中。它的基本思路是輸入一個人臉特徵後，通過與人像數據庫中的海量數據做比對匹配，找到與當前人臉數據相符合的圖像（即特徵相似度最大的圖像），返回該圖像對應的身份。
此外，人臉識別的1：N模式能實現通過對動態視頻流的截取來獲得人臉數據並進一步比對的動態對比過程，而且在識別的過程中識別對象無需到特定的位置便能完成人臉識別的工作，非常高效。
來源：作者自製
人臉檢索（Face Retrieval）採用的也是1：N模式，基本原理與人臉識別類似，也是將一個人臉特徵與人像數據庫中的N個數據進行比對匹配，只不過返回的不是相似度最高的那個，而是根據相似度從高到低排序的人臉序列的結果。在現實生活中，警察叔叔使用先進的人臉檢索技術可以更快速地鎖定嫌疑犯，加快案件偵破進度。
P美有什麽難的，憑空生成一張臉都能實現
下面的兩張圖片，一個是真人照片，另一個是AI合成，你能選出哪張是合成圖像嗎？
來源：Freepik.com
答案揭曉，左邊的是生成的，右邊的是真實的。是不是感覺非常不可思議，左邊這位看上去很漂亮的美女，居然根本就不存在！A“憑空捏造”出一個完全不存在的“人”。
來源：作者自製
這裡用到的是被稱為生成對抗網絡GAN的人工智能算法，經過訓練以後它能無中生有。它的基本原理可以通俗地用一個故事來解釋：有一個假貨製造商和一個鑒賞專家。故事的一開始，假貨商和鑒賞專家都是菜鳥級別，一個生產出來的假貨非常垃圾一眼就能被看穿，另一個鑒賞能力為零全靠瞎猜。但是這兩個人通過不斷地訓練，假貨商每次造一個假貨就拿去給鑒賞專家鑒賞，鑒賞專家做出評價以後再偷看一眼標準答案。就這樣經過足夠多次數的“不懈努力”，假貨商造出來的假貨已經非常逼真了，而鑒賞專家的鑒賞能力也不斷提升，一直到最後鑒賞專家達到真正專家水準。此時假貨商就能造出以假亂真的假貨了。
這個故事中的兩個“主人公”，假貨商和鑒賞專家，分別是GAN算法的生成器和判別器。它們一個負責生成圖像，一個負責判斷該圖像是否符合標準，就像故事裡提到的那樣經過不斷訓練，直到最後生成器可以生成以假亂真的圖像為止。
除了最基本的GAN模型，目前為止，已經有許多不同的變形算法被開發了出來，比如下面這個例子，輸入人類表情以後，可以生成同表情的喵星人，是不是很酷的感覺。以後讓喵主人跟自己做同款表情包也是指日可待了。
來源：作者自製
香港九龍灣馬來街興發大廈15樓D室