探究图像篡改检测中的人为因素
本文提出了一种新的人脸视频伪造检测数据集和检测器,通过使用空间和时间特征的组合,可以更准确地检测和识别被肉眼难以发现的视频伪造,且该方法具有更好的检测准确性和泛化能力。
May, 2020
图像伪造是一个多年来一直被研究的课题,深度学习的突破对图像伪造检测产生了重大影响,我们使用先进的图像合成深度学习模型自动化数据生成,生成接近真实操作的拼接图像,通过对生成的数据集进行测试,我们证明其对现有数据集的预测性能较低,即我们生成了更难检测的逼真图像。
Apr, 2024
本文对当前合成图像生成和处理技术的发展进行了探讨,并提出了一个基于 DeepFakes,Face2Face,FaceSwap 和 NeuralTextures 的面部操作检测基准,包括超过 180 万个操纵图像的数据库,并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。
Jan, 2019
AI 生成的媒体对我们所知的数字社会构成威胁。与技术进步相比,人们对生成媒体的感知尚未得到彻底研究。本文通过针对音频、图像和文本媒体跨三个国家(美国、德国和中国)的 3,002 位参与者进行全面的调查,结果显示,最先进的赝品几乎无法与 “真实” 媒体区分,大多数参与者在被要求评价时只是猜测它们是人工生成的还是机器生成的。此外,AI 生成的媒体在所有媒体类型和所有国家中更容易被误认为是人类产生的。为了进一步了解影响人们对生成媒体检测能力的因素,本文根据对 deepfake 和虚假新闻研究领域的文献综述,包括个人变量。通过回归分析,我们发现广义信任、认知反思和自报熟悉程度等个人变量显著影响参与者在所有媒体类别中的决策。
Dec, 2023
通过人类语义知识和眼动实验研究假图像检测的可能性,结果显示人们在感知伪造样本时倾向于关注图像的更局部区域,与观看真实图像时更分散的观察模式形成对比。
Mar, 2024
通过定义改变语义脸部属性以超过人类辨别阈值的计算方法,构建一个大型脸部伪造图像数据集,并提出了一个以语义为导向的脸部伪造检测方法,展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。
May, 2024
本文探讨如何使用深度学习和图像取证技术检测图像伪造,并使用 VGG-19、Inception-V3、ResNet-152-V2、XceptionNet 和 EfficientNet-V2L 等模型进行分类。
Nov, 2022
通过引入新的半百万级别的面部操作数据集,本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务,包括压缩不同质量级别下的视频,并达到超越现有所有视频操纵数据集一个数量级的状态,旨在通过根据目标制作难以区分的赝品来进行基准评估。
Mar, 2018
近年来,文件处理蓬勃发展并带来了众多好处。然而,被报告的伪造文件图像案例显著增加。特别是深度神经网络(DNN)在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题,我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集,通过模拟可能的攻击,如文本添加、删除和替换,使用最新的 DNN 方法。此外,我们通过自监督学习的方式引入了一种有效的预训练方法,包括自然图像和文档图像。在我们的实验证明,我们的方法提高了检测性能。
Nov, 2023
通过在训练数据集中引入合成艺术作品,我们研究了人造艺术品检测性能的提升潜力。我们以文森特・梵高的绘画为重点,发布了第一个专门用于检测伪造艺术品的数据集,并在亚美迪奥・莫迪利亚尼和拉斐尔的艺术家身上进行同样的分析。我们使用由稳定扩散和 StyleGAN 生成的以这些艺术家的风格为基础的图像,将人造伪造品和以知名艺术家的风格为基础的仿造品用于训练分类器,发现额外的合成伪造品能够稳定提高对人造伪造品的检测能力。此外,我们还发现,和以前的研究一致,训练数据中包含合成伪造品也能够有效检测出由人工智能生成的伪造品,特别是使用类似生成器生成的伪造品。
Dec, 2023