Deepfake换脸是什么？人脸核验系统怎么防？

AI换脸视频正在成为金融欺诈、身份冒用的核心工具。本文从技术原理出发，解析Deepfake如何绕过传统人脸核验，以及当前主流防御手段的运作机制。

一、Deepfake：当“眼见为实”不再成立

Deepfake（深度伪造）指利用深度学习技术，尤其是生成对抗网络（GANs）和自编码器，将一个人的面部“移植”到另一个人身上，生成高度逼真的虚假影像。其威胁之所以严峻，主要源于两大技术分支：

早期的Deepfake存在分辨率低、闪烁等明显瑕疵，但如今技术已趋近“完美”。以换脸为例，2019年的技术生成的视频还能被肉眼察觉异常，到2025年，其逼真程度已几乎无法通过视觉分辨。这种进化，使人脸核验系统面临前所未有的挑战。

二、Deepfake如何“欺骗”传统人脸核验？

传统人脸核验系统通常依赖两个核心环节：活体检测（确认是真人）和人脸比对（确认是本人）。Deepfake的攻击策略正是针对这两个环节：

1. 绕过活体检测：攻击者利用面部重演技术，生成一个包含指定动作（如眨眼、点头、张嘴）的受害者视频，在摄像头前播放或利用设备劫持技术注入视频流，从而骗过依赖动作指令的简单活体检测。

2. 通过人脸比对：换脸技术制作出的视频中，面部特征与受害者高度吻合，足以通过基于视觉特征的人脸比对算法，完成身份认证。

当这两个环节都被突破，攻击者就能以受害者的身份完成远程开户、贷款申请、支付授权等关键操作，直接造成资金损失与法律风险。

三、人脸核验系统如何防御Deepfake？

防御Deepfake需要构建一套多维度、持续进化的技术体系，而非依赖单一算法。

3.1 身份-动态一致性检测

这是专门针对Deepfake的技术手段。其核心逻辑是：真实视频中，同一个人的面部特征在短时间内是相对稳定的；而换脸视频由于合成误差，其提取的人脸身份特征向量会在帧间出现异常的波动或异常稳定（过拟合）。

具体实施路径包含两层：

1. 帧间身份向量波动分析：从视频的连续帧中提取人脸身份特征向量，计算其变化规律。真实视频的特征向量波动平稳，而换脸视频会出现不自然的剧烈抖动或过度平滑。

2. 注册图像辅助比对：在eKYC等场景中，可利用用户预先留存的真实证件照作为锚点。系统实时计算视频帧与锚点照片的身份向量差异，若差异序列出现异常跳变，则判定为伪造。

3.2 多模态生理信号融合检测

真实人脸在说话、做表情时，会伴随一系列难以完全模拟的生理信号和多模态一致性，防御系统正利用这些信息：

• 音画同步分析：检测音频中的音素（Phoneme）与视频中嘴唇运动几何特征（Viseme）是否精确对齐。Deepfake在生成时往往存在微小的音画不同步，这种异步特征可作为强信号。

• 光流分析与微表情检测：真实皮肤在呼吸、心跳时会伴随微弱的颜色变化和肌肉的自然颤动。通过分析视频帧间的光流场和皮肤纹理微变化，可以区分真人视频与AI合成的“平滑”假脸。

3.3 端云协同与风控策略

当前金融级KYC方案普遍采用端+云一体化架构，旷视FaceID的方案具备以下能力：

• 端侧初级防御：在用户设备端完成动作活体初筛，拦截90%以上的低质量攻击，同时进行设备环境安全检测。

• 云侧深度防御：云端部署由视觉大模型驱动的防伪系统，对上传的视频流进行二次深度解析。通过分析光流变化、皮肤纹理、生理信号等特征，实现高达99%以上的深伪攻击检出率，且模型迭代周期缩短至T+1（次日更新）。

四、开发者FAQ

Q1：开源活体检测能防Deepfake吗？
开源方案通常基于有限的开源数据集训练，模型更新滞后，对新出现的Deepfake生成技术防御能力较弱。金融级方案依赖千万级攻击样本和商业红队持续对抗，防御效果存在量级差距。

Q2：Deepfake攻击检出率能达到多少？
金融级方案宣称可达99%以上，综合多因素后防御率通常在98%以上。具体效果受攻击方式、部署方式等因素影响，需结合实际测试结果评估。

Q3：如何验证已接入系统的防Deepfake能力？
建议使用公开数据集（如Celeb-DF、FaceForensics++）中的Deepfake样本进行黑盒测试，或使用市面流行的Deepfake生成工具（如FaceSwap、DeepFaceLab）自制样本进行穿透测试。

五、了解更多

旷视FaceID提供包含视觉大模型驱动的端云协同人脸核身方案，覆盖活体检测、人脸比对、Deepfake防御等核心能力。

详细技术架构与接口文档可访问：FaceID人脸核验解决方案-旷视Face⁺⁺