摘要

本文由Agustín Roca和Nicolás Britos撰写，作为他们在Instituto Tecnológico de Buenos Aires (ITBA)的计算机工程学位最终项目，由Rodrigo Ramele指导。该项目与非盈利组织Innocence Project合作，旨在研究人脸识别在司法鉴定中的可靠性。论文的核心在于探讨StyleGAN2在生成和修改人脸图像时，如何保持“人脸框架”（face-frame）的一致性。人脸框架定义为面部轮廓、头发和耳朵等特征，这些特征在人脸识别中对记忆的影响至关重要。论文通过实验验证了在修改眼睛或嘴巴的开合时，人脸框架的稳定性，以及在改变面部垂直方向、性别、年龄和微笑时，人脸框架的变化程度。这些发现对于理解记忆在司法鉴定中的作用具有重要意义，特别是在防止错误定罪方面。

原理

论文利用StyleGAN2的生成对抗网络（GAN）技术，通过在潜在空间中操作来生成和修改人脸图像。StyleGAN2通过一个复杂的生成器和判别器网络结构，能够从随机输入向量生成高度逼真的人脸图像。论文进一步开发了一种方法来识别和测量每个图像中的人脸框架，并通过比较神经网络操作前后的图像，量化操作对人脸框架的影响。这种量化是通过一个特定的函数实现的，该函数能够评估图像中面部、头发和背景像素分类的变化，从而得出人脸框架的变化程度。

流程

论文的工作流程包括以下几个关键步骤：

1. 图像投影到潜在空间：使用StyleGAN2将目标图像投影到潜在空间，生成初始的人脸图像。
2. 人脸框架变化测量：定义并应用一个函数来测量原始图像和修改后图像之间的人脸框架变化。
3. 图像修正算法：开发并应用一个修正算法，通过迭代过程减少投影图像与目标图像之间的人脸框架差异。
4. 潜在空间操作：在潜在空间中进行各种操作，如改变年龄、性别、面部方向等，并测量这些操作对人脸框架的影响。
5. 结果分析：通过实验数据分析，确定哪些操作对人脸框架的影响最小，哪些操作影响最大。

应用

论文的研究成果对于司法鉴定、记忆研究以及人工智能生成的图像在法律和安全领域的应用具有重要意义。通过精确控制人脸生成和修改过程中的人脸框架，可以减少因记忆错误导致的错误定罪风险。此外，这项技术还可以应用于广告、娱乐和虚拟现实等领域，提供更加真实和可控的图像生成工具。