该团队在2020年7月15日的国际机器学习会议(ICML)上展现了他们的打工，该会议是机器学习范畴的次要会议之一。此外，研讨人员将他们的代码收费发布在网上，这样其他小组就可以复制他们的后果。两种算法的互相作用发生新的图像deep -fake images是“深度学习”(deep learning)和“fake”(fake)的分解词，是在计算机模型的协助下生成的，也就是所谓的“生成式对立网络”（Generative Adversarial Networks)，简称GANs。在这些网络中有两种算法一同打工：第一种算法依据特定的输出数据创立随机图像。第二种算法需求判别图像能否爲假图像。假如发现图像是假造的，则第二种算法会向第一种算法收回修正图像的命令——直到不再将其辨认爲假造爲止。近年来，Deep-Fake这种技术曾经让那些深度的算法分解假图像变得越来越真实。在一些网站上，用户可以反省他们能否可以区分真假照片。“在假旧事时代，假如用户不能区分电脑生成的图像和原始图像，这能够会成爲一个成绩，”零碎平安系主任托尔斯滕·霍尔兹（Thorsten Holz）教授说。爲了停止剖析，Bochum Fake Image研讨小组成员运用了数据集，这些数据集也构成上述页面“哪张脸是真实的”（Which Face is Real）的根底。在这个跨学科项目中，零碎平安系主任Joel Frank、Thorsten Eisenhofer和Thorsten Holz教授、机器学习系主任Asja Fischer教授、数字信号处置系主任Lea Schonherr和Dorothea Kolossa教授达成了协作。图像频率剖析表露了假图像的“假影”到目前爲止，不少研讨团队曾经运用复杂的统计办法剖析了假造的图像。而Bochum Fake Image研讨小组选择了一种不同的办法，经过运用团圆余弦变换将图像转换到频域。生成的图像因而表示爲许多不同余弦函数的和。自然图像次要由低频函数组成。变换到频域的人物图像：左上角代表低频图像区域，右下角代表高频区域。在左侧，您可以看到真实人物照片的变换：频率范围是平均散布的。计算机生成的照片的转换（右）包括一个在高频范围内的典型网格构造-典型的假像。剖析标明，GANs生成的图像在高频范围内会显示假影。例如，在假图像的频率表示中呈现了一种典型的网格构造。“我们的实验标明，这些假影不只出如今GAN生成的图像中。它们是一切深度学习算法的一个构造性成绩。零碎平安主席Joel Frank解释说。“我们以为研讨中描绘的假影将一直通知我们该图像能否是由机器学习创立的假造图像，” Frank补充道。 “因而，频率剖析是自动辨认计算机生成图像的无效办法。”编译/前瞻经济学人APP资讯组