自动编码器是一种人工神经网络，它接收不同的人脸照片，照片中的面部表情、位置、光照、纹理、分辨率等都会发生变化。编码器需要用有限数量的参数对这些数据进行编码。实际上，编码器就像一个漏斗；每一层都比前一层小，包含的神经元也越来越少。当我们到达编码器的末端时，只有一千个神经元，与我们最初的神经元数量相比，这真是少得可怜。
然后，我们让解码器（它就像一个倒置的漏斗，一开始只有少量神经元——与编码器末端相同——然后 WhatsApp 号码数据 逐渐增加）使用这一千个参数生成一张与原始人脸完全相同的人脸。因此，训练神经网络意味着训练它尽可能准确地自行复现人脸。实际上，它学习压缩和解压缩特定人物的脸部图像。
我们选取两个不同的人脸
A 和 B。我们的想法是：A 和 B 不是各自拥有独立的自动编码器，而是共享同一个编码器，同时各自拥有独立的解码器。在深度伪造的制作过程中，编码器会对 A 的面部数据进行编码，但我们不会使用解码器 A 进行解码，而是使用解码器 B 进行解码。这样一来，我们就把 B 的脸放到了 A 的脸上。
深度伪造的呈现方式往往令人震惊。这项技术真的那么容易使用吗？下载一个应用程 步解决联合国和平行动未能保护平民的问题 序就能制作深度伪造吗？
确实有一些应用程序，特别是 FakeApp（基于 TensorFlow，这是谷歌开发的开源机器学习工具，编者注）。使用它不需要任何 IT 知识，只需遵循一些关键步骤即可。首先，创建一个包含源人员和目标人员的数据库。任何人都可以做到这一点。如果我想制作某人的虚假视频，我会尽可能多地收集此人的照片和视频，这些照 电子邮件列表 片和视频要质量好，并且包含各种各样的面部表情、光线等。然后必须选择一些参数。在这个阶段，习惯于制作深度伪造作品的人说，经验在识别最相关的参数方面起着重要作用。然后必须在具有良好显卡的机器上运行和训练该软件。这大约需要半天时间，只需要很少的时间投入。因此，对于想要操纵选举等情况的专业团队来说，这将非常容易。与许多其他更复杂的攻击相比，制作恶意的深度伪造作品所需的努力要少得多。
您写道，大多数用于分析图像和检测伪造内容的取证技术
（依赖数学工具，没有机器学习）对视频无效。这是为什么呢？
问题在于，图像，例如照片，包含大量信息，尤其是“噪点”（图像的细微瑕疵）。视频是一系列图像的组合，但由于采用了极高的压缩率，其中的“噪点”要少得多。如果不进行如此高的压缩，视频文件就会非常庞大……视频的压缩方法多种多样，而且通常各不相同，但 99.9% 的情况下，视频都会被压缩成 JPEG 格式。因此，没有单一的标准方法，这使得开发一种适用于所有视频的检测方法变得非常复杂。