時間是最神奇的濾鏡。不久前，迪士尼公司發布了一個專用于影視制作的年齡調整算法 ，可以讓演員變得更年輕或更年老。這種算法可以讓年老的演員扮演年輕人，反之，也可以讓年輕演員扮演自己老年時。這樣的效果雖然并不足以用于漫威電影，但它也是換臉技術邁出的新一步。

今天，隨著人工智能（AI）的飛速發展，AI深度合成技術門檻正在降低，AI換臉技術逐漸深入大眾生活，出現在各種各樣的影視作品和生活場景中，當然，這為我們帶來了更好的影音體驗——不過，當相貌可以美顏，年齡可以加減，背景可以綠幕時，如何辨別我們所看到的真和假也是一個難題。

(資料圖片)

“返老還童”大法

在過去的幾年里，在電影制作和廣告中使用數字老化或減齡人類角色的情況急劇增加，比如在《愛爾蘭人》（The Irishman）中讓羅伯特-德尼羅（Robert De Niro）顯得更年輕，或是在抗擊瘧疾的廣告活動中讓大衛-貝克漢姆看起來衰老，都需要用到Re-Age技術。一般來說，有兩種不同的方法常用于CG數字re-age。

第一種，就是沿用傳統的三維面部建模pieline，對一個完整的三維re-age面部裝備進行建模、動畫和渲染，以取代場景中的原始肖像。這種方法需要在re-age前制作一個完整的三維面部裝備來輔助操作，由于其復雜性并且所需時間過長，通常只會應用在那些頂級流量的明星演員上或是有特寫的鏡頭。

第二種，則是遵循一個純粹的二維照片的工作流程，對拍攝完成后的視頻中每一幀進行編輯合成，改變演員的年齡。雖然這種方法所提供的整體控制不如完全的三維方法，但與三維方法相比，這種方法極其簡單易用，也不需要提前對演員進行面部掃描并制作面部裝備。因此，二維數字re-age在業內逐漸受到關注，并被用于一些大片的制作中，如《蟻人》中的邁克爾-道格拉斯和《驚奇隊長》中的塞繆爾-杰克遜的re-age。

另外，盡管re-age的二維工作流程是比較直觀且簡便的，但其仍然需要專業人員逐幀對表演視頻進行手動編輯。過去的技術大多依托2D繪畫工作流，通常需要一幀一幀的手工操作，即使是熟練的特效設計師也需要幾天時間才能完成。除了耗時之外，目前市面上針對面部圖像進行自動老化處理的人工智能技術還未成熟，大多數都難以達到在業內被實際使用的程度，因為它們通常會出現面部特征丟失、分辨率損害以及后續視頻幀不穩定的結果。比如，在使演員變老時，每一幀都必須整合預期的耳朵和鼻子的增長，肌肉張力的喪失和面部皮膚的下垂，動態皺紋的增加，甚至皮膚色素和血流的變化。

當然，不管是三維面部建模，還是遵循二維照片的工作流程，其制作過程都耗時費力。尤其是在手機視頻上看到的小缺陷，比如表情和嘴部動作不協調，在大銀幕上會被放大數倍，產生嚴重的違和感，如果非要應用于電影，也需要大量手動的微調才能確保高質量，但價格卻令令影視公司望而生畏：高端的視覺效果通常每分鐘要花上數百萬美元

而近日，迪士尼在網絡走紅的堪稱“返老還童”的算法卻有可能幫人們解決成本高企的問題。迪士尼的“返老還童算法”被稱為FRAN，與過去的模型相比，FRAN的優勢是顯而易見的。

過往模型在改變年齡的過程中往往都聚焦在人臉身上，會忽略掉人像后面的背景，比如DLFS直接就扣掉了背景圖。并且幀與幀之間的過渡也不是很流暢。而FRAN可以精確地保留演員的外觀，即使在頭部動作幅度很大時或光線變化的情況下也能如此。除此之外，FRAN的靈活性也更強，可以任意調節想要的年齡。FRAN還允許后期人員對生成的視頻進行二次調整，使整個視頻更加自然。

簡單來說，FRAN能夠使用數據信息來預測真人演員面部的哪些區域會老化，以及如何將皺紋和下巴疊加到既有視頻片段上，或者從既有畫面的人物臉上刪除皺紋。有了FRAN，未來，影視作品中或許就不再需要靠化妝師改變演員年齡視覺效果。不過，FRAN仍有一些局限性，FRAN可能不適合進行重大的年齡改變，例如從很小的年齡開始重新變老，并且當演員變老時，頭皮頭發的變灰效果不會反映出來，因為這些圍觀數據還沒有被收入訓練出FRAN的數據庫中。

真真假假的世界？

迪士尼宣稱FRAN是第一個針對視頻人臉的年齡處理技術，具有實用性、全自動、可操作性。在論文中，迪士尼研究工作室解釋FRAN是一個神經網絡，它使用一個大型數據庫進行圖像處理，該數據庫已包含隨機合成的屬于不同年齡段的成組面孔，不需要找到數千張不同年齡段真實人物的圖像，然后進行更一步的照明和背景合成。

具體來看，根據迪士尼發布的相關論文，其中第一個關鍵思路是解決收集訓練數據的問題，以便在較長的時間跨度下讓模型學習到如何搭建人臉。但對于真實場景中存在的大量人物來說，這是一項幾乎不可能完成的任務。因此，研究人員使用了 StyleGAN2隨機生成了大量的年齡在18歲至85歲之間的人工合成人臉，有了這樣一個數據集，就可以用于模型訓練。

論文中的第二個關鍵思路就是神經網絡架構的搭建。FRAN采用的是U-Net架構。在生成的過程中，FRAN會預測面部的哪些像素點會隨著年齡的增長而改變，比如增加或去除皺紋，然后這些結果會作為額外的視覺信息通道覆蓋在原來的臉上。在這個過程中，還可以選擇使用預先訓練好的人臉分割網絡：BiSeNetV2，并設置局部的輸入和輸出年齡值，來限制皮膚區域的再老化，使生成的效果更好。

可以說，FRAN的出現為影視制作減輕了塑造跨年齡角色的負擔。不僅免去傳統換臉技術的長耗時和高花費，也減少了妝造刻畫年齡的經濟成本。接下來，只要演員演技在線，便能自然地在屏幕上演繹人物、

FRAN的意義是不言自明的。一方面，以FRAN為代表的算法可用來升級音視頻剪輯技術，為影視制作中的特效呈現更好的效果，減輕視頻編輯人員的工作壓力；另一方面還可以減少因為演員、拍攝場景的局限，拓展電影的創作空間，衍生出更多改編作品。未來，這一類技術顯然還將更深入地嵌進我們的生活。

不過，隨著AI換臉日益逼真，技術門檻越來越低，雖然也帶給影視內容應用更高效率、更低制作成本等好處，但隨之而來的造假、欺詐等問題，真假混淆使得人們卻愈發缺失安全感。

畢竟，當開源軟件涌現時，我們開發技術獲取成本大大降低，并且能夠被不具備專業知識的普通人利用并輕易制作。制造這樣的視頻并不需要很高的技巧，機器學習算法與面部映射軟件相結合，偽造內容來劫持一個人的聲音、面孔和身體等身份信息變得廉價而容易，普通大眾一鍵便可制造想要的視頻。

但是，當相貌可以美顏，年齡可以加減，背景可以綠幕時，我們又如何來辨別所見世界的真假？實際上，自從攝影術、視頻、射線掃描技術出現以來，視覺文本的客觀性就在法律、新聞以及其他社會領域被慢慢建立起來，成為真相的存在，或者說，是建構真相的最有力證據。

然而，就像ChatGPT越來越具有類人性一樣，當我們越來越分辨不清我們的對面是機器還是人類時，越來越難以辨別我們所瀏覽的視頻真假時，我們曾經對“眼見為實”的相信也將受到極大的挑戰。

事實上，在FRAN這類算法快速發展時，人們也試圖通過技術手段規范這項技術的使用。比如，2019年，斯坦福大學研究員Tom Van de Weghe聯合計算機、新聞等行業的專家，成立了相關的研究小組，以提升公眾對這一現象的認知度，設計深度合成的識別應對方案。然而，技術發展速度往往高于破解速度。隨著鑒別器在識別假視頻方面做得越來越好，生成器在創建假視頻方面也做得越來越好。

然而，迄今為止，幾乎所有關于技術的立法都滯后于技術的發展，技術演進的加快是必然的趨勢，但如何回應技術演進中誕生的問題，也是身處于日新月異時代的我們需要思考的事情。（本文首發鈦媒體APP）

關鍵詞：