论文提出了一个简单，灵活，可扩展的换脸框架DeepFaceLab。
主要贡献：
一个具有成熟流程的state-of-the-art 的框架提出，旨在获得真实图片结果的换脸效果。
自打2018年以来，DeepFaceLab开源了源码，一直保持在计算机视觉领域的进步，对防卫假脸做出了贡献。在开源社区和VFX 领域取得了广泛关注。
DeepFaceLab提供了一些高效的组尖和工具，使得用户可以更加灵活的操作和及时发现问题。
DeepFaceLab特点：
Leras ，更加轻量的keras，使用TensorFlow作为深度学习框架。具备简单和灵活的模型构建能力。训练过程的时间性能指标减少10%-20%。具备更加灵活的tensor的控制。
Put users first ，用户优先
Engineering support ，工程化支持，支持多gpu训练，支持半精度训练
可扩展性和可批量化特性，Extensibility and Scalability
整体流程：
整体处理过程包括人脸检测，人脸关键点检测及对齐，人脸分割，人脸融合，人脸锐化。
人脸检测Face Detection ：
DeepFaceLab使用S3FD作为默认的人脸检测框架，也可以使用其他的检测框架，比如RetinaFace , MTCNN
人脸对齐Face Alignment ：
对于正常姿势的人脸使用2DFAN ，对于欧拉角较大的人脸使用PRNet
人脸分割Face Segmentation :
使用TernausNet ，XSeg
人脸融合Face Blending ：
提供了超过5种以上的颜色变换算法，包括，reinhard color transfer（RCT） , iterative distribution transfer（IDT）
正常的融合方式，类似alpha融合。为了实现对不同的皮肤颜色，人脸形状，光照条件进行优化，这里提出了自己的泊松融合方式，
人脸锐化Face Sharpening :
提供了人脸超分辨模型FaceEnhancer 。
网络结构：
DeepFaceLab 包含2种模型结构，分别为DF和LIAE。
在DF模型中，原图和目标图的隐空间特征都是通过Inter模块进行的提取。而在LIAE模型中，则是分别通过InterAB，InterB，2个模块进行提取。其中，InterAB会输出原图和目标图的隐空间特征，InterB只输出目标图的隐空间特征。
然后，InterAB的输出原图特征和自己进行通道的concat，然后输入解码模块。InterAB的输出目标图特征和InterB的输出目标图特征进行concat，然后输入解码模块。
在训练过程中，通过对人脸眼睛区域加mask操作，使得眼睛部分传递更大的loss，颈部则传递较少的loss，使得换脸后的生成图片具有生动的眼睛细节。
训练的loss使用DSSIM (structural dissimilarity) + MSE ，其中，DSSIM 可以使得生成的人脸训练速度更快，MSE 则提供了更好的人脸细节。
DF模块的详细结构图如上图，LIAE模块与之类似。
DF结构里面包含了普通模块DF和高清DFHD模块，共2个分支。两者的主要区别就是DFHD在编码和解码模块都堆叠了更多的层。
该结构的主要特点：
使用pixelshuffle (depth2space) 进行上采样，而不是反卷积和双线性插值。这样做的好处就是可以消除生成图片边界效应。
解码模块采用残差连接方式，融合更多的特征。
最后一层的输出，采用sigmoid归一化输出为0–1之间，而不是采用tanh归一化到-1–1之间。
实验结果：
总结：
Suppressing the publication of such methods would not stop their development, but rather make them only available to a limited number of experts and potentially blindside policy makers if it goes without any limits