CUPID: Reconstructing UV Texture Maps for Interpretable Person-of-Interest Deepfake Detection
यह शोध पत्र CUPID को प्रस्तुत करता है, जो एक सुदृढ़, कुशल और व्याख्या योग्य 'पर्सन-ऑफ-इंटरेस्ट' डीपफेक डिटेक्टर है, जो प्रशिक्षण के दौरान डीपफेक डेटा या विशिष्ट लक्षित पहचानों की आवश्यकता के बिना, हेरफेर किए गए वीडियो की पहचान करने के लिए UV टेक्सचर मैप्स और मास्क्ड ऑटोएनकोडर्स का लाभ उठाता है, साथ ही हेरफेर किए गए चेहरे के क्षेत्रों को उजागर करने के लिए विजुअल रेसिडुअल मैप्स प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप किसी प्रसिद्ध सेलिब्रिटी की नकली फोटो को पकड़ने की कोशिश कर रहे हैं। आमतौर पर, आप उनकी आँखों को गौर से देखेंगे या यह जाँचेंगे कि उनके दाँत अजीब तो नहीं दिख रहे। लेकिन क्या होगा अगर वह नकली फोटो इतनी अच्छी हो कि एक इंसान भी अंतर न बता सके? यहीं पर CUPID काम आता है। यह एक नया डिजिटल जासूस है जिसे "पर्सन-ऑफ-इंटरेस्ट" (POI) डीपफेक पकड़ने के लिए डिज़ाइन किया गया है—वे डरावने वीडियो जहाँ बुरे इरादे रखने वाले लोग किसी असली व्यक्ति का चेहरा नकली शरीर पर लगा देते हैं या उन्हें ऐसी बातें कहते हैं जो उन्होंने कभी कही ही नहीं।
यहाँ एक ट्विस्ट है: CUPID को यह सीखने के लिए कि नकली चीज़ों को कैसे पकड़ा जाए, एक भी नकली वीडियो देखने की ज़रूरत नहीं है। वास्तव में, यह पेपर स्पष्ट रूप से पुराने तरीके के खिलाफ तर्क देता है, जहाँ आपको हर एक सेलिब्रिटी के लिए हज़ारों नकली उदाहरणों का उपयोग करके एक अलग, विशेष रोबोट को प्रशिक्षित करना पड़ता था। लेखक दिखाते हैं कि यह पुराना तरीका धीमा है, इसमें बहुत अधिक डेटा की आवश्यकता होती है, और अक्सर यह तब विफल हो जाता है जब वीडियो को कंप्रेस या रीसाइज किया जाता है (जैसे जब आप एक अस्थिर फोन कनेक्शन पर वीडियो देखते हैं)। इसके बजाय, CUPID कई अलग-अलग लोगों के केवल वास्तविक वीडियो से सीखता है कि एक "असली" चेहरा कैसा दिखता है, और फिर उस ज्ञान का उपयोग किसी भी व्यक्ति के नकली होने का पता लगाने के लिए करता है, चाहे वह उससे पहले कभी मिला भी न हो।
जादुई मानचित्र: चेहरे को खोलना
तो, यह कैसे काम करता है? कल्पना कीजिए कि किसी सेलिब्रिटी का चेहरा एक 3D मिट्टी की मूर्ति (clay sculpture) है। यदि आप एक फोटो लेते हैं, तो कोण (angle) के आधार पर नाक अलग दिख सकती है, या लाइटिंग के कारण गाल गहरा दिख सकता है। यह कंप्यूटर के लिए चेहरों की तुलना करना कठिन बना देता है।
CUPID एक चतुर तकनीक का उपयोग करता है जिसे UV टेक्सचर मैप (UV Texture Map) कहा जाता है। इसे ऐसे समझें जैसे कि उस 3D मिट्टी के चेहरे को लेना, उसकी त्वचा को एक स्टिकर की तरह छीलना, और उसे मेज पर सपाट बिछा देना। इस सपाट मानचित्र पर, नाक हमेशा एक ही जगह होती है, आँखें हमेशा एक ही जगह होती हैं, और मुँह हमेशा एक ही जगह होता है, चाहे व्यक्ति अपना सिर घुमाए या मुस्कुराए। यह "सपाट मानचित्र" कोणों और लाइटिंग के भ्रम को दूर कर देता है, जिससे कंप्यूटर को काम करने के लिए एक साफ, मानकीकृत ब्लूप्रिंट मिलता है।
"खाली स्थान भरने" का खेल
एक बार जब चेहरे को इस मानचित्र में सपाट कर दिया जाता है, तो CUPID "मास्क्ड ऑटोएनकोडिंग" (Masked Autoencoding) नामक खेल खेलता है। कल्पना कीजिए कि आपके पास एक पहेली है, लेकिन किसी ने 50% टुकड़ों को काले टेप से ढक दिया है। CUPID दिखाई देने वाले टुकड़ों को देखता है और अनुमान लगाने की कोशिश करता है कि टेप के नीचे क्या है।
इसमें वास्तव में माहिर होने के लिए, CUPID एक विशाल वास्तविक वीडियो लाइब्रेरी (VoxCeleb2 नामक डेटासेट से, जिसमें 6,000 से अधिक अलग-अलग लोग हैं) पर प्रशिक्षण लेता है। यह सीखता है कि यदि इसे एक बाईं आँख दिखती है, तो नाक एक निश्चित दूरी पर होनी चाहिए, और मुँह का एक विशिष्ट आकार होना चाहिए। यह सीखता है कि वास्तविक मानव चेहरे कैसे बने होते हैं, इसके "नियम" क्या हैं। पेपर साबित करता है कि केवल वास्तविक डेटा का उपयोग करके इन नियमों में महारत हासिल करके, सिस्टम यह पहचानने में विशेषज्ञ बन जाता है कि एक चेहरा उन नियमों को कब तोड़ता है।
ढोंगी को पकड़ना
जब एक नया वीडियो आता है—मान लीजिए, एक राजनेता का क्लिप जो नकली हो सकता है—CUPID उस चेहरे को एक UV मैप में बदल देता है और उसे सीखे हुए "असली चेहरे" के ब्लूप्रिंट में फिट करने की कोशिश करता है।
- यदि यह असली है: चेहरा ब्लूप्रिंट में पूरी तरह फिट बैठता है। कंप्यूटर कहता है, "हाँ, यह एक वास्तविक मानव के पैटर्न से मेल खाता है।"
- यदि यह डीपफेक है: AI खाली जगहों को भरने की कोशिश करता है, लेकिन नकली चेहरे में अजीब ग्लिच या असंभव आकार होते हैं। कंप्यूटर कहता है, "ओह, इस ब्लूप्रिंट के हिसाब से नाक गलत जगह पर है! यह एक नकली है।"
पेपर दिखाता है कि यह तरीका अत्यंत मजबूत (robust) है। यहाँ तक कि जब वीडियो को बहुत छोटा कर दिया जाता है या भारी कंप्रेशन के साथ दबा दिया जाता है (जैसे जब आप सोशल मीडिया से वीडियो डाउनलोड करते हैं), तब भी CUPID काम करता रहता है। चार अलग-अलग डेटासेट्स पर परीक्षणों में, इसने अन्य शीर्ष डिटेक्टरों को पछाड़ दिया, विशेष रूप से इन "कम गुणवत्ता" वाली स्थितियों में जहाँ अन्य विफल हो जाते हैं। उदाहरण के लिए, "FakeAVCeleb" डेटासेट पर, जब वीडियो को कंप्रेस किया गया, तो CUPID ने उच्च सटीकता स्कोर (लगभग 87.5%) बनाए रखा, जबकि अन्य तरीकों का प्रदर्शन काफी गिर गया।
निर्णय के पीछे का "क्यों"
CUPID की एक सबसे शानदार विशेषता यह है कि यह व्याख्या योग्य (interpretable) है। अधिकांश AI डिटेक्टर केवल आपको "हाँ/नहीं" का उत्तर देते हैं। हालाँकि, CUPID आपको दिखा सकता है कि उसे क्यों लगता है कि एक वीडियो नकली है। यह एक "हीट मैप" उत्पन्न करता है जो ठीक उसी हिस्से को हाइलाइट करता है जो संदिग्ध है।
- यदि डीपफेक ने मुँह को बदला है, तो हीट मैप होंठों के आसपास लाल चमकता है।
- यदि आँखें अजीब दिखती हैं, तो चमक आँखों की ओर चली जाती है।
पेपर यह प्रदर्शित करके दिखाता है कि नकली वीडियो के लिए, ये "चमक वाले स्थान" वास्तविक वीडियो की तुलना में बहुत अधिक चमकीले और केंद्रित होते हैं, जिससे जांचकर्ताओं को विश्वास करने के लिए एक दृश्य सुराग मिलता है।
गति और दक्षता
अंत में, CUPID एक तेज़ रफ़्तार वाला है। जबकि अन्य तरीके पूरे वीडियो के हर फ्रेम को स्कैन कर सकते हैं (जिसमें बहुत समय लगता है), CUPID को पूरे क्लिप से निर्णय लेने के लिए केवल 10 फ्रेम देखने की आवश्यकता होती है। यह इसे सेलिब्रिटी डिटेक्शन के लिए पिछले सर्वश्रेष्ठ तरीके की तुलना में 32 गुना तेज़ बनाता है। लेखकों ने 2,000 से अधिक वीडियो पर इसे मापा, जिसमें पाया गया कि CUPID को प्रति वीडियो औसतन केवल 0.155 सेकंड लगे, जबकि प्रतिस्पर्धी को लगभग 5 सेकंड लगे।
यह क्या नहीं कर पाता (अभी तक)
यह जानना महत्वपूर्ण है कि CUPID हर चीज़ में परफेक्ट नहीं है। पेपर नोट करता है कि इसे KoDF नामक डेटासेट के साथ थोड़ा संघर्ष करना पड़ा, जिसमें कोरियाई विषय शामिल हैं। लेखक सुझाव देते हैं कि ऐसा इसलिए है क्योंकि उनके प्रशिक्षण डेटा में उस विशिष्ट जनसांख्यिकीय (demographic) के पर्याप्त लोग नहीं थे, जो दर्शाता है कि सिस्टम अभी भी जातीयता के अंतर के प्रति संवेदनशील हो सकता है। साथ ही, हालांकि यह फेस स्वैप पकड़ने में बहुत अच्छा है, लेकिन यह स्पष्ट रूप से यह मॉडल नहीं करता है कि कोई व्यक्ति समय के साथ कैसे हिलता-डुलता है (जैसे लिप-सिंकिंग), इसलिए यह अभी भी हर प्रकार के ऑडियो-ड्रिवन डीपफेक को नहीं पकड़ सकता है।
संक्षेप में, CUPID एक नए प्रकार का झूठ पकड़ने वाला यंत्र है जिसे यह जानने के लिए झूठ देखने की ज़रूरत नहीं है कि झूठ कैसा दिखता है। चेहरों को मानचित्रों में बदलकर और वास्तविक डेटा के साथ "खाली स्थान भरने" का खेल खेलकर, यह एक वास्तविक मानव जैसा दिखने का एक सुपर-शार्प सेंस बनाता है, जिससे यह खराब वीडियो क्वालिटी में भी तेज़ी से नकली चीज़ों को पहचान सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।