高质量、高容量的机器合成语音、图像和视频正在向我们走来。有的是用来娱乐的，有的是故意造谣的。一个核心组件是一类称为生成对抗网络（GAN）的机器学习。技术发展到今天有多远，GANs是如何工作的，我们能看到这个工具集的商业潜力吗？

本博客由三部分组成，技术重点不断增加。在第一篇文章中，我们将介绍deepfakes的概念，以及为什么您应该让自己了解它们。在第二篇文章中，我将以艺术伪造者和艺术专家为例，讨论GANs如何在高水平上发挥作用，你将和我一起参加一个测试运行或一个能够生成"假"手写数字的GAN。

除非你公司的产品或服务包含某种形式的数字图像，否则这个话题似乎与你没有什么关系。那么，为什么要在SAP社区博客上谈论它呢。问得好。我有三个理由：

如果你同意我的推理-请继续阅读。

你知道Snapchat、Instagram和其他应用程序的实时过滤器吗？那些使用你的手机摄像头，能够跟踪和转换你或你周围环境的特征，并将它们转换成其他东西的人？你当然知道。如果不是，你应该经常出去，但这里有一个例子：

（照片：Snapchat/me）

当你看到这个，你会立刻发现这是一个捏造的剪辑，其中有一个随机的博客作者的脸。你不容易被愚弄，人工智能有哪些领域，因为你习惯于在社交媒体和其他地方看到这样的创作。好吧，这段视频和类似的视频都是用手机上相对有限的硬件制作的——而且是实时的。任何人都能做到，新的过滤器几乎每天都会出现。手机CPU、RAM和网络组件的局限性决定了结果。

想象一下，国内免费云服务器，如果在超级计算机上用所有的计算机钱就能买到的话，你能做些什么。你能想象最终结果的质量线性扩展吗？这对好莱坞来说是个好消息，因为它使特效更便宜，更容易获得，也更可信。坏消息是"便宜，易用，可信"使得这项技术成为了一个方便的工具，为有恶意的人。在许多这样的案例中，一种被称为生成性对抗网络（简称GAN）的机器学习技术正在被使用。这是一种机器学习，我们将在下面的两篇博文中介绍它们是如何工作的。

如果你想到近年来用来伤害或质疑政客的手段，你会很快发现意识到这可能是诱人的人使用深假货的一部分，他们的诽谤活动。他们可能会利用这项技术来散布虚假信息来提振自己的候选人，甚至更容易击败竞争对手。

实现所描述的产出实际上只是一个平衡时间、成本和质量的问题（就像在任何其他软件项目中一样）。从理论上讲，特价云服务器，你在屏幕上或印刷品上看到的一切都可能是伪造的或"深度伪造"。

（图片来源：华盛顿邮报视频）

面部、声音和周围环境都可能是伪造的，这让我们不得不对呈现给我们的所有数字内容提出质疑。这里有一个关于这个主题的好视频。

我不会执着于深度假货的恐惧-因为如果你在谷歌上搜索的话，你会找到足够的文章。相反，让我们看看GANs的积极潜力。一定有一些，对吧？

我坚信，在不久的将来，GANs将在创建和验证数字内容的真实性方面发挥重要作用。已经有一些例子了，下面是一些我最喜欢的：

CycleGAN：这是我选择的第一个，也是媒体最关注的一个。CycleGAN从一种类型的图像中提取特征，并将它们应用到不同的图像中。如果你给它输入斑马的图像，它会得到什么特征，让我们认为这只动物是斑马——它可以在以后把这个特征应用到另一种动物身上，比如马。或者，训练莫奈的绘画，让照片看起来像莫奈。还有——这是另一个很酷的特征，它可以翻转过来，这样你就可以从蒙泰特的画中产生一张照片。夏天和冬天也是一样：

（照片：https://github.com/junyanz/CycleGAN)

SalGAN：SalGAN检测图像上最有可能是定义部分的区域，或者图像显示给我们的核心信息。它将识别图像中吸引人类注意的部分，并引导我们说"哦，这是一张某人打棒球的照片"。

（照片：Pan等人）

文本到图像合成：系统将创建文本所描述的图像。到目前为止，大数据包括，正如您在右侧生成的图像上所看到的，这并不是真正可信的。但是随着更多的数据和培训，这可能是下一件大事：

（照片：Reed等人）

其他用例包括医学图像异常检测、自动音乐生成和超分辨率。"赣动物园"里有500多篇赣文，你可以在这里查阅。

我们刚刚开始初步了解机器学习领域的贡献，所以，让我们继续关注——因为我预计这里会发生很多事情。

在下一篇博文中，大数据开发平台，我们将从高层次概述生成性对抗网络的工作原理！

/西门

推特：https://twitter.com/simenhuuse

LinkedIn：https://www.linkedin.com/in/simenhuuse/

来源：