一種基于GAN的圖到圖轉(zhuǎn)換方法，可以檢測出圖片中的敏感區(qū)域

編者按：如今，社交網(wǎng)絡將全球各地的人們緊密聯(lián)系在了一起，雖然這確實帶來了極大的便利，但它也成了不良信息的發(fā)育土壤，比如散布黃圖。月前，F(xiàn)acebook曾向用戶征集裸照，用于訓練模型以屏蔽和用戶相關(guān)的不雅照片，此舉引發(fā)巨大社會反響。而近期，巴西名校里約熱內(nèi)盧天主教大學的幾位研究人員開發(fā)了一個自動給裸露人體穿上比基尼的模型：把別人脫下的衣服，一件件穿了回去。

現(xiàn)在，借助互聯(lián)網(wǎng)的可訪問性和信息的廣泛傳播性，人們獲取各種內(nèi)容的簡易程度堪稱前所未有。雖然這帶來了不少好處，但也暴露了一個事實——部分用戶的隱私信息正在被大肆傳播，比如個人不雅照。

當然，我們不排除社交網(wǎng)絡上存在愿意暴露自己身體的網(wǎng)友，但在缺乏管制和約束的環(huán)境下，一些未經(jīng)本人同意，甚至本人都不知道的圖像也會出現(xiàn)在網(wǎng)絡中，給當事人造成惡劣影響。雖然各國成人信息監(jiān)管由來已久，但這些審查工作至今都還是簡單的二元分類：“忽略”，還是“不忽略”？在這種情況下，受害者的權(quán)益沒法得到保障。

更有甚者，據(jù)澳大利亞伯內(nèi)特的一項統(tǒng)計顯示，92.2％的受訪男孩和62.1％的受訪女孩在18歲以前就已經(jīng)在網(wǎng)上接觸過色情內(nèi)容，首次接觸的中位年齡只有14歲。這些流傳于社交網(wǎng)絡的不良信息正在荼毒我們的下一代，而審查機制不合理（全年齡環(huán)境下）是一個主因。

在這篇論文中，研究人員介紹了一種新的成人信息審查方法：用自動過濾敏感內(nèi)容取代檢測、排除已識別內(nèi)容。他們開發(fā)了一種基于GAN的圖到圖轉(zhuǎn)換方法，可以檢測出圖片中的敏感區(qū)域，在覆蓋它們的同時保留其語義。

簡單來講，就是用穿衣服取代打馬賽克，模型不用學會識別什么是胸部，什么是臀部，它只需要學會判斷哪里是敏感部位，只要這些部位是裸的，它就可以生成符合形狀的布料。

具體方法

因為目標是把裸女轉(zhuǎn)成穿著比基尼女郎，首先，研究人員從網(wǎng)上抓取了兩類圖像：***女性（X）和穿著比基尼的女性（Y）。他們對圖像進行了過濾，一張臉只保留一張圖，這是訓練模型所使用的數(shù)據(jù)集（數(shù)據(jù)集會公開，但由于雙盲評審，鏈接被隱去）。

在摘要中，他們稱即便數(shù)據(jù)集很小，模型的效果也很理想。所以把數(shù)據(jù)集進一步分為訓練集（90%）和測試集（10%）后，對于圖像X，他們有1044張訓練圖像和117張測試圖像；對于圖像Y，他們有921張訓練圖像和103張測試圖像。

圖像到圖像轉(zhuǎn)換是一類經(jīng)典計算機視覺問題，按照一般方法，研究人員需要對齊訓練集圖像，讓模型學習輸入圖像和輸出圖像之間的映射。但在這個問題下找到成對圖像基本是不可能的，他們沒有那個條件去找一千多個模特專門拍攝。如上圖所示，最終他們受Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks這篇論文啟發(fā)，用對抗訓練學習域之間的真實映射。

具體而言，這個框架由兩個映射生成器（G:X→Y、F:Y→X）和兩個判別器（DX、DY）組成：

生成器G：把真實裸女圖像{x}轉(zhuǎn)成比基尼女郎偽圖{y?}；

生成器F：把真實比基尼女郎圖像{y}轉(zhuǎn)成裸女偽圖{x?}；

判別器DX：區(qū)分裸女真圖{x}和裸女偽圖{F (y)} = {x?}；

判別器DY：區(qū)分比基尼女郎真圖{y}和比基尼女郎偽圖{y?}。

訓練完成后，生成器就能生成能騙過判別器的圖像，也就是為裸女“穿”上衣服。模型使用的是LSGANs的損失函數(shù)，因為它比原始GAN的函數(shù)更穩(wěn)健，具體細節(jié)論文中有明確寫明，此處不再介紹。

實驗結(jié)果

研究人員在實驗中測試了不同架構(gòu)生成器的效果，用的模型分別是ResNet和U-Net，他們也測試了不同深度對判別器的影響。下圖是模型在原數(shù)據(jù)集上的效果：第一行是裸女原圖，第二行是ResNet生成器的結(jié)果，第三行是U-Net生成器結(jié)果。

可以發(fā)現(xiàn)，雖然使用U-Net生成器的模型（第三行）為敏感部位打上了“馬賽克”，但它們整體上失真嚴重，不能被視為“比基尼”。而使用ResNet生成器的模型效果更好，比基尼更美觀，覆蓋范圍也更準確，圖像質(zhì)量更高。

在訓練過程中，研究人員發(fā)現(xiàn)模型有時會試圖在圖像主體（人）和圖像背景間建立聯(lián)系，這顯然是誤入歧途。因此他們用Mask R-CNN截取任務輪廓，制作了一個空白背景數(shù)據(jù)集重新訓練模型。從理論上來講，通過使用“無背景”圖像，神經(jīng)網(wǎng)絡可以更專注于當前任務，而不受嘈雜的背景影響。

如上圖所示，無背景下，兩個模型的結(jié)果比之前好了一點，但相比U-Net生成器，ResNet生成器還是顯示出了明顯的優(yōu)勢。此外，他們還對模型的穩(wěn)健性進行了測試：輸入一張比基尼女郎圖后，生成器F輸出了和原圖非常相近的圖像，并沒有做太多更改——這意味著模型在沒有胸部、臀部語義認知的情況下，真正學會了識別敏感區(qū)域。

小結(jié)

看罷全文，相信有讀者會提出質(zhì)疑：近幾年學界發(fā)表了不少去馬賽克的成果，這種技術(shù)和打馬賽克又有多大區(qū)別？

總的來說，區(qū)別還是很明顯的，至少比基尼女郎比馬賽克更美觀，從某種程度上來說也更少兒皆宜。再者說，不用考慮超分辨率去馬賽克，整個模型是一體的，既然生成器G可以生成逼真比基尼女郎圖像，同理，生成器F也能把比基尼給“脫”了，這在論文中有圖文介紹，所以想還原不是沒有辦法。

但需要注意的是，這種技術(shù)的本意是改進現(xiàn)有成人信息審查機制，讓更多不該看到這類信息的人沒有機會接觸不良信息，尤其是青少年和兒童。這也保護了不雅照泄露者的權(quán)益，避免網(wǎng)絡傳播給他們造成二次傷害。從根本上說，它無法真正制止犯罪和侵權(quán)，但它能反映一種進步。

如果要說缺點，除了圖像質(zhì)量不高，論文作者給的圖像測試也不具典型性，因為侵權(quán)圖像涉及大量偷拍內(nèi)容，而論文中的裸女照片都像模特擺拍，因此數(shù)據(jù)集還有待擴充。此外，數(shù)據(jù)集中也應該增加男性內(nèi)容。