Dieses Dokuwiki verwendet ein von Anymorphic Webdesign erstelltes Thema.

Razlike

Slijede razlike između dviju inačica stranice.

Poveznica na ovu usporedbu

Starije izmjene na obje strane Starija izmjena
Novija izmjena 		Starija izmjena
racfor_wiki:seminari:tehnike_izrade_deep_fake_videa [2023/01/12 22:35]
kl50222 [Literatura] reference 1 		racfor_wiki:seminari:tehnike_izrade_deep_fake_videa [2023/06/19 18:17] (trenutno)
Redak 17: Redak 17:
 Postupci lažiranja informacija i medija nisu neuobičajni, ali bitnu razliku naglašavaju tehnike koje se koriste za lažiranje. Jedan od najpoznatijih primjera lažiranja video sadržaja je pojava deepfake videa koji koriste napredne tehnike korištenja umjetne inteligencije i dubokog učenja kako bi proizveli ovu pojavu. Postupci lažiranja informacija i medija nisu neuobičajni, ali bitnu razliku naglašavaju tehnike koje se koriste za lažiranje. Jedan od najpoznatijih primjera lažiranja video sadržaja je pojava deepfake videa koji koriste napredne tehnike korištenja umjetne inteligencije i dubokog učenja kako bi proizveli ovu pojavu.
 ===== Deepfake ===== ===== Deepfake =====
-Deepfake tehnologija predstavlja novi način stvaranja videozapisa koji omogućuje mijenjanje lica i glasa glumaca ili drugih poznatih osoba s licima i glasovima drugih ljudi. Ova tehnologija koristi se za različite svrhe, uključujući umjetničke projekte, političke lažne vijesti, te zabavne sadržaje.+Deepfake [2] tehnologija predstavlja novi način stvaranja videozapisa koji omogućuje mijenjanje lica i glasa glumaca ili drugih poznatih osoba s licima i glasovima drugih ljudi. Ova tehnologija koristi se za različite svrhe, uključujući umjetničke projekte, političke lažne vijesti, te zabavne sadržaje.
  
-Deepfake se koristi umjetnom inteligencijom i tehhnologijama dubokog učenja, posebno generativnih protivničkih mreža (GANs) koje se koriste za generiranje slika, i autoencoderi koji se koriste za pretvaranje lica i glasova iz jednog videa u druge.+Deepfake se koristi umjetnom inteligencijom i tehhnologijama dubokog učenja, posebno generativnih protivničkih mreža (GANs) [3] koje se koriste za generiranje slika, i autoencoderi [4] koji se koriste za pretvaranje lica i glasova iz jednog videa u druge.
  
 Ova tehnologija je izazvala veliku pažnju u javnosti, jer je sposobna stvoriti vrlo realistične video zapise, često teško raspoznatljive od stvarnih. To je dovelo do zabrinutosti o mogućnosti zloupotrebe tehnologije za lažne vijesti i manipulaciju javnog mišljenja. Stoga je važno razvijati tehnologije za otkrivanje deepfake videa i promicati odgovornu upotrebu tehnologije. Iako deepfake tehnologija može biti korištena za neetične svrhe, također se koristi za kreativne projekte i istraživačke svrhe. Ova tehnologija je izazvala veliku pažnju u javnosti, jer je sposobna stvoriti vrlo realistične video zapise, često teško raspoznatljive od stvarnih. To je dovelo do zabrinutosti o mogućnosti zloupotrebe tehnologije za lažne vijesti i manipulaciju javnog mišljenja. Stoga je važno razvijati tehnologije za otkrivanje deepfake videa i promicati odgovornu upotrebu tehnologije. Iako deepfake tehnologija može biti korištena za neetične svrhe, također se koristi za kreativne projekte i istraživačke svrhe.
  
-Anketa o deepfakeovima, objavljena u svibnju 2020., pruža vremensku traku kako je stvaranje i otkrivanje deepfakeova napredovalo u posljednjih nekoliko godina.[37] Anketa utvrđuje da su se istraživači usredotočili na rješavanje sljedećih izazova stvaranja deepfakea:+Anketa o deepfakeovima, objavljena u svibnju 2020., pruža vremensku traku kako je stvaranje i otkrivanje deepfakeova napredovalo u posljednjih nekoliko godina.[5] Anketa utvrđuje da su se istraživači usredotočili na rješavanje sljedećih izazova stvaranja deepfakea:
  
 Generalizacija. Visokokvalitetni deepfakeovi često se postižu vježbanjem na satima snimke mete. Ovaj izazov je smanjiti količinu podataka za obuku i vrijeme za obuku modela potrebnog za proizvodnju kvalitetnih slika i omogućiti izvođenje obučenih modela na novim identitetima (nevidljivim tijekom obuke). Generalizacija. Visokokvalitetni deepfakeovi često se postižu vježbanjem na satima snimke mete. Ovaj izazov je smanjiti količinu podataka za obuku i vrijeme za obuku modela potrebnog za proizvodnju kvalitetnih slika i omogućiti izvođenje obučenih modela na novim identitetima (nevidljivim tijekom obuke).
Redak 54: Redak 54:
 ==== Generative Adversarial Networks (GANs) ==== ==== Generative Adversarial Networks (GANs) ====
  
-Generative Adversarial Networks su klasa dubokog učenja modela koji se koriste za generiranje novih i jedinstvenih podataka, poput slika, videa i zvuka. GANs se sastoji od dva glavna dijela: generatora i diskriminatora.+Generative Adversarial Networks su klasa dubokog učenja modela koji se koriste za generiranje novih i jedinstvenih podataka, poput slika, videa i zvuka. GANs se sastoji od dva glavna dijela: generatora i diskriminatora [6].
  
 Generator je neuronska mreža koja prima nasumični šum kao ulaz i generira nove podatke u obliku slika, videa ili zvuka. Generator se trenira da nauči podložnu distribuciju podataka koje pokušava generirati. Generator je neuronska mreža koja prima nasumični šum kao ulaz i generira nove podatke u obliku slika, videa ili zvuka. Generator se trenira da nauči podložnu distribuciju podataka koje pokušava generirati.
Redak 68: Redak 68:
 ==== Autoencoders ==== ==== Autoencoders ====
  
-Autoencoderi su vrsta neuronske mreže koja se koristi za nevezano učenje. Glavni cilj autoencodera je naučiti komprimirano predstavljanje ulaznih podataka, nazvano grlo ili latentna reprezentacija.+Autoencoderi [7] su vrsta neuronske mreže koja se koristi za nevezano učenje. Glavni cilj autoencodera je naučiti komprimirano predstavljanje ulaznih podataka, nazvano grlo ili latentna reprezentacija.
  
 Autoencoder se sastoji od dva glavna dijela: kodera i dekodera. Kodiratelj prima ulazne podatke i uči ih komprimirati u nižedimenzionalnu reprezentaciju. Dekodiratelj uzima ovu komprimiranu reprezentaciju i pokušava rekonstruirati izvorni ulazni podatak. Autoencoder se sastoji od dva glavna dijela: kodera i dekodera. Kodiratelj prima ulazne podatke i uči ih komprimirati u nižedimenzionalnu reprezentaciju. Dekodiratelj uzima ovu komprimiranu reprezentaciju i pokušava rekonstruirati izvorni ulazni podatak.
Redak 92: Redak 92:
 ==== DeepFaceLab ==== ==== DeepFaceLab ====
  
-DeepFaceLab je vodeći softver za izradu deepfake videozapisa. Radi se o besplatnoj i otvorenoj aplikaciji za generiranje umjetnih lica koja koristi tehnologiju dubokog učenja. Razvijena je od strane skupine hakera i entuzijasta koji se bave generativnim modelima lica.+DeepFaceLab[8] je vodeći softver za izradu deepfake videozapisa. Radi se o besplatnoj i otvorenoj aplikaciji za generiranje umjetnih lica koja koristi tehnologiju dubokog učenja. Razvijena je od strane skupine hakera i entuzijasta koji se bave generativnim modelima lica.
  
 Aplikacija se koristi za stvaranje deepfake videa, što znači da koristi duboko učenje za izmjenu lica u videozapisu. To se može postići generiranjem 3D modela lica iz slika i korištenjem tih modela za "prekrivanje" lica u videozapisu. Aplikacija se koristi za stvaranje deepfake videa, što znači da koristi duboko učenje za izmjenu lica u videozapisu. To se može postići generiranjem 3D modela lica iz slika i korištenjem tih modela za "prekrivanje" lica u videozapisu.
Redak 113: Redak 113:
 ==== DeepSwap ==== ==== DeepSwap ====
  
-DeepSwap je deepfake softver koji koristi tehnike dubokog učenja za generiranje realističnih zamjena lica. Poznat je po svom pristupačnom korisničkom sučelju i sposobnosti stvaranja visokokvalitetnih deepfake-ova.+DeepSwap[9] je deepfake softver koji koristi tehnike dubokog učenja za generiranje realističnih zamjena lica. Poznat je po svom pristupačnom korisničkom sučelju i sposobnosti stvaranja visokokvalitetnih deepfake-ova.
  
 Jedna od ključnih značajki DeepSwap-a je njegova sposobnost izvođenja zamjene lica u stvarnom vremenu, što olakšava korisnicima da vide rezultate svojih uređaja i da naprave prilagodbe po potrebi. DeepSwap također koristi arhitekturu neuronske mreže koja je posebno dizajnirana za rad s licima, što mu omogućuje generiranje preciznijih i realističnijih zamjena lica. Jedna od ključnih značajki DeepSwap-a je njegova sposobnost izvođenja zamjene lica u stvarnom vremenu, što olakšava korisnicima da vide rezultate svojih uređaja i da naprave prilagodbe po potrebi. DeepSwap također koristi arhitekturu neuronske mreže koja je posebno dizajnirana za rad s licima, što mu omogućuje generiranje preciznijih i realističnijih zamjena lica.
Redak 125: Redak 125:
  
  
-Deepfake videozapisi se brzo razviju i imaju potencijal promijeniti način na koji stvaramo i konzumiramo medije. Ovi su alati korisnicima olakšali stvaranje realističnih i uvjerljivih deepfake videozapisa, a neki čak mogu izvršiti zamjenu lica u stvarnom vremenu.Međutim, uz mogućnost stvaranja vrlo uvjerljivih deepfake videa dolazi i mogućnost zlouporabe. Deepfakeovi se mogu koristiti za stvaranje zavaravajućeg i lažnog sadržaja, koji se može koristiti za širenje dezinformacija ili lažno predstavljanje pojedinaca. To je dovelo do poziva na donošenje propisa i zakona kako bi se spriječilo zlonamjerno korištenje.+Deepfake videozapisi se brzo razvijaju i imaju potencijal promijeniti način na koji stvaramo i konzumiramo medije. Ovi su alati korisnicima olakšali stvaranje realističnih i uvjerljivih deepfake videozapisa, a neki čak mogu izvršiti zamjenu lica u stvarnom vremenu.Međutim, uz mogućnost stvaranja vrlo uvjerljivih deepfake videa dolazi i mogućnost zlouporabe. Deepfakeovi se mogu koristiti za stvaranje zavaravajućeg i lažnog sadržaja, koji se može koristiti za širenje dezinformacija ili lažno predstavljanje pojedinaca. To je dovelo do poziva na donošenje propisa i zakona kako bi se spriječilo zlonamjerno korištenje.
  
 Budućnost korištenja umjetne inteligencije i dubokog učenja u stvaranju medijskog sadržaja je nepredvidiva. Deepfake tehnologije predstavljaju tek početak tog aspekta te će se sa daljnjim razvojem sigurno proizvesti kvalitetnija i preciznija metodologija izrade medijskih sadržaja. Iako tehnologija za lažiranje video sadržaja postaje sve sofisticiranija, postoje načini za prepoznavanje lažnih videozapisa. Neki od tih načina uključuju analizu slike i zvuka, te korištenje algoritama za otkrivanje neprirodnih pokreta ili promjena u licu. Međutim, važno je da javnost bude svjesna opasnosti lažnih videozapisa i da se poduzmu mjere za sprječavanje njihovog širenja. To uključuje promicanje odgovorne upotrebe tehnologije, kao i podizanje svijesti o prepoznavanju lažnih videozapisa. Kako se tehnologija nastavlja razvijati, bit će ključno uspostaviti ravnotežu između njezinih prednosti i potencijalnih rizika. Budućnost korištenja umjetne inteligencije i dubokog učenja u stvaranju medijskog sadržaja je nepredvidiva. Deepfake tehnologije predstavljaju tek početak tog aspekta te će se sa daljnjim razvojem sigurno proizvesti kvalitetnija i preciznija metodologija izrade medijskih sadržaja. Iako tehnologija za lažiranje video sadržaja postaje sve sofisticiranija, postoje načini za prepoznavanje lažnih videozapisa. Neki od tih načina uključuju analizu slike i zvuka, te korištenje algoritama za otkrivanje neprirodnih pokreta ili promjena u licu. Međutim, važno je da javnost bude svjesna opasnosti lažnih videozapisa i da se poduzmu mjere za sprječavanje njihovog širenja. To uključuje promicanje odgovorne upotrebe tehnologije, kao i podizanje svijesti o prepoznavanju lažnih videozapisa. Kako se tehnologija nastavlja razvijati, bit će ključno uspostaviti ravnotežu između njezinih prednosti i potencijalnih rizika.
Redak 132: Redak 132:
 [1] [[https://dl.acm.org/doi/10.1145/258734.258880 | Bregler, Christoph; Covell, Michele; Slaney, Malcolm (1997). "Video Rewrite: Driving Visual Speech with Audio". Proceedings of the 24th Annual Conference on Computer Graphics and Interactive Techniques]] [1] [[https://dl.acm.org/doi/10.1145/258734.258880 | Bregler, Christoph; Covell, Michele; Slaney, Malcolm (1997). "Video Rewrite: Driving Visual Speech with Audio". Proceedings of the 24th Annual Conference on Computer Graphics and Interactive Techniques]]
  
- [[https://medium.com/geekculture/realistic-deepfakes-with-deepfacelab-530e90bd29f2 | DeepFaceLab article ]] +[2] [[https://www.foxnews.com/tech/terrifying-high-tech-porn-creepy-deepfake-videos-are-on-the-rise| Brandon, John (16 February 2018). "Terrifying high-tech porn: Creepy 'deepfake' videos are on the rise". Fox News.]]
  
-https://www.wipo.int/wipo_magazine/en/2022/02/article_0003.html+[3] [[https://www.sciencedirect.com/science/article/pii/S2667096820300045|Aggarwal, Mittal, Battineni; Generative adversarial network: An overview of theory and applications]]
  
 +[4] [[https://irep.ntu.ac.uk/id/eprint/38737/1/1247050_Lee.pdf| Kietzmann, J.; Lee, L. W.; McCarthy, I. P.; Kietzmann, T. C. (2020). "Deepfakes: Trick or treat?" (PDF). Business Horizons]]
  
-https://news.berkeley.edu/2019/06/18/researchers-use-facial-quirks-to-unmask-deepfakes/+[5] [[https://dl.acm.org/doi/10.1145/3425780| Mirsky, Yisroel; Lee, Wenke (12 May 2020). "The Creation and Detection of Deepfakes: A Survey". ACM Computing Surveys]]
  
-https://github.com/iperov/DeepFaceLab+[6] [[https://theaisummer.com/gan-computer-vision/#vanilla-gan-generative-adversarial-networks-2014| "Vanilla GAN (GANs in computer vision: Introduction to generative learning)". theaisummer.com. AI Summer. April 10, 2020.]]
  
-https://www.deepswap.ai/+[7] [[https://www.researchgate.net/profile/Abir_Alobaid/post/To_learn_a_probability_density_function_by_using_neural_network_can_we_first_estimate_density_using_nonparametric_methods_then_train_the_network/attachment/59d6450279197b80779a031e/AS:451263696510979@1484601057779/download/NL+PCA+by+using+ANN.pdf| Kramer, Mark A. (1991). "Nonlinear principal component analysis using autoassociative neural networks"]]
  
-https://towardsdatascience.com/what-the-heck-are-vae-gans-17b86023588a+[8] [[https://github.com/iperov/DeepFaceLab| Github Repository: DeepFaceLab]]
  
-https://github.com/neuralchen/SimSwap +[9] [[https://www.deepswap.ai/| DeepSwap Official Website]]
- +
-https://analyticsindiamag.com/guide-to-simswap-an-efficient-framework-for-high-fidelity-face-swapping/ +
- +
-https://en.wikipedia.org/wiki/Generative_adversarial_network +
- +
-https://en.wikipedia.org/wiki/Autoencoder +
- +
-https://towardsdatascience.com/family-fun-with-deepfakes-or-how-i-got-my-wife-onto-the-tonight-show-a4454775c011 +
- +
-https://www.alanzucconi.com/2018/03/14/understanding-the-technology-behind-deepfakes/ +
- +
-https://www.washingtonpost.com/technology/2019/06/12/top-ai-researchers-race-detect-deepfake-videos-we-are-outgunned/+
  
racfor_wiki/seminari/tehnike_izrade_deep_fake_videa.1673559322.txt.gz · Zadnja izmjena: 2023/06/19 18:15 (vanjsko uređivanje)
Dieses Dokuwiki verwendet ein von Anymorphic Webdesign erstelltes Thema.
CC Attribution-Share Alike 4.0 International
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0