<p>La technologie DeepFake, qui a progressé à grande vitesse, peut être d’une grande aide pour l’industrie du divertissement, mais elle peut aussi aggraver sérieusement le problème des fake news. Il est donc important de disposer de technologies capables d’identifier ces DeepFake.<br />
<br />
Les efforts de Microsoft pour empêcher les fake news lors de la prochaine élection présidentielle américaine :<br />
https://fr.news.hada.io/topic?id=2767<br />
<br />
Je partage ici un article qui présente une méthode originale pour distinguer les vidéos DeepFake. (En anglais) Cette méthode s’appuie sur les signaux de battement cardiaque extraits du visage humain pour différencier un vrai visage humain d’un DeepFake.<br />
<br />
La méthode utilisée pour mesurer la fréquence cardiaque humaine dans les oxymètres de pouls non invasifs des hôpitaux, ou dans les smartwatches désormais très répandues, est appelée en termes techniques PPG (Photoplethysmography, photopléthysmographie). Lorsqu’on éclaire le corps humain, une partie de cette lumière est absorbée, et le degré d’absorption est proportionnel au volume de la peau, des tissus et du sang présents sur le trajet de la lumière. Or, si le volume de la peau ou des tissus varie peu, le volume de sang dans les vaisseaux à un endroit donné augmente lorsque le cœur se contracte, puis diminue lorsqu’il se relâche. Ainsi, il suffit de représenter graphiquement le motif d’absorption de la lumière et de mesurer l’intervalle entre les valeurs de crête pour obtenir la fréquence cardiaque. C’est plus simple qu’on ne le pense.<br />
<br />
La rPPG (Remote photoplethysmography, photopléthysmographie à distance) va encore plus loin. Si les humains et les caméras peuvent voir les objets, c’est parce que la lumière émise quelque part se réfléchit sur eux avant d’entrer dans l’œil ou dans la caméra. Or, si l’on reprend le principe de la PPG mentionné plus haut, on peut considérer que la lumière réfléchie par une partie du corps d’un être humain vivant, comme le visage, contient elle aussi, de façon très ténue mais bien réelle, des variations qui reflètent le rythme du pouls. La rPPG consiste à amplifier fortement ces faibles variations afin de mesurer la fréquence cardiaque à partir d’une simple vidéo du visage filmée par une caméra, sans outil de mesure particulier ni contact. Cette méthode repose sur des changements extrêmement subtils de la couleur du visage, mais les systèmes rPPG récents utilisant le deep learning sont réputés capables d’extraire ces variations même à partir de vidéos de visage fortement compressées.<br />
<br />
Dès lors, si l’on peut extraire de cette façon des signaux biologiques, ne pourrait-on pas aussi distinguer un vrai visage humain d’un visage généré par DeepFake ? C’est dans cette optique que plusieurs articles scientifiques présentant des expériences de détection de visages DeepFake à partir des techniques rPPG les plus récentes ont été publiés récemment. En bref, les signaux rPPG observés sur un vrai visage humain et sur un visage généré par DeepFake présentent des motifs nettement différents, et les motifs de signal rPPG extraits varient aussi selon le type de modèle utilisé pour produire le DeepFake. Grâce à cette approche, il a non seulement été possible de distinguer les vidéos DeepFake, mais aussi d’identifier avec une précision assez élevée quel modèle précis avait été utilisé.<br />
<br />
Texte intégral des articles :<br />
https://arxiv.org/abs/2006.07634<br />
https://arxiv.org/abs/2008.11363</p>;
3 commentaires