本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
左图，右图，你能看出区别吗？
其实，算法已经悄悄给右边的照片加上了微小的修改。
但就是这样肉眼根本看不出来的扰动，就能100%骗过来自微软、亚马逊、旷视——全球最先进的人脸识别模型！
所以意义何在？
这代表着你再也不用担心po在网上的照片被某些软件扒得干干净净，打包、分类，几毛钱一整份卖掉喂AI了。
这就是来自芝加哥大学的最新研究：给照片加上一点肉眼看不出来的修改，就能让你的脸成功「隐形」。
如此一来，即使你在网络上的照片被非法抓取，用这些数据训练出来的人脸模型，也无法真正成功识别你的脸。
给照片穿上「隐身衣」
这项研究的目的，是帮助网友们在分享自己的照片的同时，还能有效保护自己的隐私。
因此，「隐身衣」本身也得「隐形」，避免对照片的视觉效果产生影响。
也就是说，这件「隐身衣」，其实是对照片进行像素级别的微小修改，以蒙蔽AI的审视。
其实，对于深度神经网络而言，一些带有特定标签的微小扰动，就能够改变模型的「认知」。
比如，在图像里加上一点噪声，熊猫就变成了长臂猿：
Fawkes就是利用了这样的特性。
用 x 指代原始图片，xT为另一种类型/其他人脸照片，φ 则为人脸识别模型的特征提取器。
具体而言，Fawkes是这样设计的：
第一步：选择目标类型 T
指定用户 U，Fawkes的输入为用户 U 的照片集合，记为 XU。
从一个包含有许多特定分类标签的公开人脸数据集中，随机选取 K 个候选目标类型机器图像。
使用特征提取器 φ 计算每个类 k=1…K 的特征空间的中心点，记为 Ck。
而后，Fawkes会在 K 个候选集合中，选取特征表示中心点与 XU 中所有图像的特征表示差异最大的类，作为目标类型 T。
第二步：计算每张图像的「隐身衣」
随机选取一幅 T 中的图像，为 x 计算出「隐身衣」δ(x, xT) ，并按照公式进行优化。
其中 |δ(x, xT)| < ρ。
研究人员采用DDSIM（Structural Dis-Similarity Index）方法。在此基础上进行隐身衣的生成，能保证隐身后的图像与原图在视觉效果上高度一致。
实验结果表明，无论人脸识别模型被训练得多么刁钻，Fawkes都能提供95％以上有效防护率，保证用户的脸不被识别。
即使有一些不小心泄露的未遮挡照片被加入人脸识别模型的训练集，通过进一步的扩展设计，Fawkes也可以提供80%以上的防识别成功率。
在Microsoft Azure Face API、Amazon Rekognition和旷视Face Search API这几个最先进的人脸识别服务面前，Fawkes的「隐身」效果则达到了100%。
目前，Fawkes已开源，Mac、Windows和Linux都可以使用。
安装简易方便
这里以Mac系统为例，简单介绍一下软件的使用方法。使用的笔记本是MacBook Air，1.1GHz双核Intel Core i3的处理器。
首先，我们从GitHub上下载压缩安装包，并进行解压。
接下来，把想要修改的所有照片放入一个文件夹里，并记住路径。
以桌面上的一个名为test_person的图片文件夹为例，里面我们放了三张照片，其中一张图片包含两个人。
这里的图片路径是~/Desktop/test_person，根据你的图片保存位置来确定。
接下来，打开启动台中的终端，进入压缩包所在的文件夹。
注意，如果MacOS是Catalina的话，需要先修改一下权限，以管理员身份运行，sudo spctl —master-disable就可以了。
这里我们的压缩包直接放在下载的文件夹里，直接cd downloads就行。
进入下载文件夹后，输入./protection -d 文件路径（文件路径是图片文件夹所在的位置，这里输入~/Desktop/test_person），运行生成图片的「隐身衣」。
嗯？不错，看起来竟然能识别一张图中的2个人脸。
缓慢地运行……
据作者介绍说，生成一张「隐身衣」的速度平均在40秒左右，速度还是比较快的。
如果电脑配置够好，应该还能再快点。
不过，双核的就不奢求了…我们耐心地等一下。
从时间看来，处理速度还算可以接受。
Done！
图中来看，生成3张图片的「隐身衣」，电脑用了大约7分钟（一定是我的电脑太慢了）。
来看看生成的结果。
可以看见，文件夹中的3张图片，都生成了带有_low_cloaked的后缀名的图片。
虽然介绍里说，生成的后缀是_mid_cloaked的图片，不过软件提供的模式有「low」、「mid」、「high」、「ultra」、「custom」几种，所以不同的模式会有不同的后缀名。
以川普为例，来看看实际效果。
两张图片几乎没有差别，并没有变丑，川普脸上的皱褶看起来还光滑了一点。
这样，我们就能放心地将经过处理后的人脸照片放到网上了。
即使被某些不怀好意的有心之人拿去使用，被盗用的数据也并不是我们的人脸数据，不用再担心隐私被泄露的问题。
不仅如此，这个软件还能「补救」一下你在社交网站上晒出的各种人脸数据。
例如，你曾经是一名冲浪达人，之前会将大量的生活照po到社交网站上——
照片可能已经被软件扒得干干净净了……
不用担心。
如果放上这些经过处理后的图片，这些自动扒图的人脸识别模型会想要添加更多的训练数据，以提高准确性。
这时候，穿上「隐身衣」图片在AI看来甚至「效果更好」，就会将原始图像作为异常值放弃。
华人一作
论文的一作是华人学生单思雄，高中毕业于北京十一学校，目前刚拿到了芝加哥大学的学士学位，将于9月份入学攻读博士学位，师从赵燕斌教授和Heather Zheng教授。
作为芝加哥大学SAND Lab实验室的一员，他的研究主要侧重于机器学习和安全的交互，像如何利用不被察觉的轻微数据扰动，去保护用户的隐私。
从单同学的推特来看，他一直致力于在这个「透明」的世界中，为我们争取一点仅存的隐私。
论文的共同一作Emily Wenger同样来自芝加哥大学SAND Lab实验室，正在攻读CS博士，研究方向是机器学习与隐私的交互，目前正在研究神经网络的弱点、局限性和可能对隐私造成的影响。
项目链接：
https://github.com/Shawn-Shan/fawkes/tree/master/fawkes
论文链接：
http://people.cs.uchicago.edu/~ravenben/publications/pdf/fawkes-usenix20.pdf
