das Deepfake Offensive Toolkit

dot (auch bekannt als Deepfake Offensive Toolkit) ermöglicht Echtzeit, kontrollierbare Deepfakes für die Injektion in virtuelle Kameras. dot wurde für Penetrationstests gegen z. B. Identitätsverifikations- und Videokonferenzsysteme entwickelt, zur Nutzung durch Sicherheitsanalysten, Red-Team-Mitglieder und Biometrieforscher.

Wenn Sie mehr darüber erfahren möchten, wie dot in der Industrie für Penetrationstests mit Deepfakes eingesetzt wird, lesen Sie diese Artikel von The Verge und Biometric Update.

dot wird zu Forschungs- und Demonstrationszwecken entwickelt. Als Endbenutzer tragen Sie die Verantwortung, alle geltenden Gesetze bei der Nutzung dieses Programms einzuhalten. Die Autoren und mitwirkenden Entwickler übernehmen keine Haftung und sind nicht verantwortlich für Missbrauch oder Schäden, die durch die Nutzung dieses Programms entstehen.

So funktioniert es

Kurz gesagt, dot funktioniert wie folgt

flowchart LR;
    A(your webcam feed) --> B(suite of realtime deepfakes);
    B(suite of realtime deepfakes) --> C(virtual camera injection);

Alle von dot unterstützten Deepfakes erfordern kein zusätzliches Training. Sie können in Echtzeit spontan auf einem Foto verwendet werden, das zum Ziel der Gesichtsimitation wird. Unterstützte Methoden:

Gesichtstausch (via SimSwap), in den Auflösungen 224 und 512
- mit der Option der Gesichtssuperauflösung (via GPen) in den Auflösungen 256 und 512
Gesichtstausch in niedrigerer Qualität (via OpenCV)
FOMM, First Order Motion Model für Bildanimation

dot ausführen

Grafische Oberfläche

GUI-Installation

Laden Sie die dot-Ausführbare für Ihr Betriebssystem herunter und führen Sie sie aus:

Windows (Getestet unter Windows 10 und 11):
- Laden Sie dot.zip von hier herunter, entpacken Sie es und führen Sie dann dot.exe aus
Ubuntu:
- ToDo
Mac (Getestet unter Apple M2 Sonoma 14.0):
- Laden Sie dot-m2.zip von hier herunter und entpacken Sie es
- Öffnen Sie ein Terminal und führen Sie xattr -cr dot-executable.app aus, um erweiterte Attribute zu entfernen
- Falls ein Fehler beim Lesen der Kamera auftritt:
  - Klicken Sie mit der rechten Maustaste und wählen Sie Show Package Contents
  - Führen Sie dot-executable aus dem Ordner Contents/MacOS aus

GUI-Verwendung

Anwendungsbeispiel:

Geben Sie das Quellbild im Feld source an.
Geben Sie die Kamera-ID-Nummer im Feld target an. In den meisten Fällen ist 0 die korrekte Kamera-ID.
Geben Sie die Konfigurationsdatei im Feld config_file an. Wählen Sie eine Standardkonfiguration aus der Dropdown-Liste oder verwenden Sie eine benutzerdefinierte Datei.
(Optional) Aktivieren Sie das Feld use_gpu, um die GPU zu verwenden.
Klicken Sie auf die Schaltfläche RUN, um den Deepfake zu starten.

Für weitere Informationen zu den einzelnen Feldern klicken Sie auf das Menü Help/Usage.

Sehen Sie sich das folgende Demovideo an, um die Benutzeroberfläche besser zu verstehen:

Befehlszeile

CLI-Installation

Voraussetzungen installieren

Linux
```
sudo apt install ffmpeg cmake
```
MacOS
```
brew install ffmpeg cmake
```
Windows
1. Laden Sie Visual Studio Community von hier herunter und installieren Sie es
2. Installieren Sie im Visual Studio-Installer die Desktopentwicklung mit C++

Conda-Umgebung erstellen

Die Anweisungen setzen voraus, dass Miniconda auf Ihrem Rechner installiert ist. Falls nicht, finden Sie Installationsanweisungen unter diesem Link.

Mit GPU-Unterstützung

conda env create -f envs/environment-gpu.yaml
conda activate dot

Installieren Sie die Abhängigkeiten torch und torchvision basierend auf der auf Ihrem Rechner installierten CUDA-Version:

Installieren Sie CUDA 11.8 von link
Installieren Sie cudatoolkit über conda: conda install cudatoolkit=<cuda_version_no> (ersetzen Sie <cuda_version_no> durch die Version auf Ihrem Rechner)
Installieren Sie die Abhängigkeiten torch und torchvision: pip install torch==2.0.1+<cuda_tag> torchvision==0.15.2+<cuda_tag> torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118, wobei <cuda_tag> das von Pytorch definierte CUDA-Tag ist. Beispiel: pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118 für CUDA 11.8.

Hinweis: torch1.9.0+cu111 kann ebenfalls verwendet werden.

Um zu überprüfen, ob torch und torchvision korrekt installiert sind, führen Sie den folgenden Befehl aus: python -c "import torch; print(torch.cuda.is_available())". Wenn die Ausgabe True ist, sind die Abhängigkeiten mit CUDA-Unterstützung installiert.

Mit MPS-Unterstützung (Apple Silicon)

conda env create -f envs/environment-apple-m2.yaml
conda activate dot

Um zu überprüfen, ob torch und torchvision korrekt installiert sind, führen Sie den folgenden Befehl aus: python -c "import torch; print(torch.backends.mps.is_available())". Wenn die Ausgabe True ist, sind die Abhängigkeiten mit Unterstützung für das Metal-Programmierframework installiert.

Mit CPU-Unterstützung (langsam, nicht empfohlen)

conda env create -f envs/environment-cpu.yaml
conda activate dot

dot installieren

pip install -e .

Modelle herunterladen

Laden Sie die dot-Modell-Checkpoints von hier herunter
Entpacken Sie die heruntergeladene Datei im Stammverzeichnis dieses Projekts

CLI-Verwendung

Führen Sie dot --help aus, um eine vollständige Liste der verfügbaren Optionen zu erhalten.

Simswap

dot -c ./configs/simswap.yaml --target 0 --source "./data" --use_gpu

SimSwapHQ

dot -c ./configs/simswaphq.yaml --target 0 --source "./data" --use_gpu

FOMM

dot

Beliebteste