AIGC伪造技术入门：深度伪造与换脸生成的原理与实践

1次阅读

共计 2063 个字符，预计需要花费 6 分钟才能阅读完成。

深度伪造（Deepfake）是人工智能生成内容（AIGC）的重要分支，指通过深度学习技术对图像、视频进行高度逼真的篡改或合成。这项技术自 2017 年兴起后快速发展，根据 DeepTrace Labs 统计，2022 年全网深度伪造视频数量较 2018 年增长 900%。

典型应用场景：影视特效、虚拟主播、游戏角色生成
技术发展里程碑：
2017 年 Autoencoder 架构首次实现面部替换
2019 年 First Order Motion 模型实现肢体动作迁移
2021 年 StyleGAN3 实现毛孔级皮肤纹理生成

生成对抗网络（GAN）是深度伪造的基石技术，其核心包含生成器 (Generator) 和判别器 (Discriminator) 的博弈：

生成器：接收源脸图像，输出目标姿势 / 表情的伪造图像
判别器：判断输入图像是真实目标脸还是生成结果
对抗过程：通过损失函数 $L = \log D(x) + \log(1 – D(G(z)))$ 持续优化

以 FaceSwap 为例，典型流程包含：

人脸检测（使用 MTCNN 或 RetinaFace）
关键点对齐（68 或 106 点模型）
纹理映射（UV 纹理展开）
光照补偿（Gamma 校正）

框架	训练速度	硬件需求	输出质量	易用性
DeepFaceLab	★★★☆	高	★★★★★	★★☆
FaceSwap	★★☆	中	★★★☆	★★★★
SimSwap	★★★★	低	★★★☆	★★★☆

选择建议：
– 追求电影级质量：DeepFaceLab（需 RTX 3090+）
– 快速入门：FaceSwap（Colab 可运行）
– 实时换脸：SimSwap（手机端可部署）

import cv2
import dlib
import numpy as np

# 1. 人脸检测与对齐
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor('shape_predictor_68.dat')

def align_face(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    faces = detector(gray)
    if len(faces) == 0:
        return None
    landmarks = predictor(gray, faces[0])
    return np.array([[p.x, p.y] for p in landmarks.parts()])

# 2. 三角剖分（Delaunay 算法）def get_triangles(points):
    rect = (0, 0, img.shape[1], img.shape[0])
    subdiv = cv2.Subdiv2D(rect)
    for p in points:
        subdiv.insert((int(p[0]), int(p[1])))
    return subdiv.getTriangleList()

# 3. 仿射变换
def warp_triangle(src_img, src_points, dst_img, dst_points):
    warp_mat = cv2.getAffineTransform(np.float32(src_points), np.float32(dst_points))
    warped = cv2.warpAffine(src_img, warp_mat, (dst_img.shape[1], dst_img.shape[0]))
    mask = np.zeros_like(dst_img)
    cv2.fillConvexPoly(mask, np.int32(dst_points), (1, 1, 1))
    return warped * mask