CVPRNov, 2018

检测人脸扭曲痕迹，揭示 DeepFake 视频

PDF
TL;DR本文通过深度学习和卷积神经网络技术识别 DeepFake 视频，并提出了一种不需要负面训练样本的方法，利用仿射变换中的瑕疵作为区分真假视频的显著特征，通过简单的图像处理操作即可模拟这些瑕疵。方法具有高效、节省时间和资源、鲁棒性等优点。
deepfake videosdeep learningconvolutional neural networksface warpingimage processing
发现论文，激发创造
  • 对抗生成网络中的 Deepfake: 评估 Deepfake 检测器对对抗样本的容错性

    本文讲述了近年来视频技术的进步使得生成假视频变得比以往更容易，同时也提到人工智能生成的 Deepfake 视频可以通过对抗性修改来欺骗现有的检测器并且具有实际威胁。研究者在本文中提出了可以误导 DNN 检测器认为 Deepfake 视频为真实的白盒和黑盒攻击方案。

    Feb, 2020

  • 通过利用表面异常进行深度伪造检测：SurFake 方法

    深度伪造生成对场景整体几何和采集过程造成了特征变化，通过分析图像中表面的特征可生成一个可用于深度伪造检测的描述符，称为 SurFake。在各种深度伪造和深度学习模型上进行的实验结果证实了该特征可用于区分原始图像和经过篡改的图像，并且实验证明结合视觉数据可提高检测准确性。

    Oct, 2023

  • 利用不一致的头部姿势揭示深度伪造

    该论文提出了一种新方法，基于估计人脸图像的三维头部姿势的检测手段，检测出利用人工智能生成的虚假人脸图片或视频 (即 Deep Fakes) 的方法，并通过基于此方法的特征和 SVM 分类器对真实人脸和 Deep Fakes 进行了分类。

    Nov, 2018

  • 审判法院深度伪造检测综述

    本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。

    May, 2022

  • DeepFakes: 一项新的人脸识别威胁？评估和检测

    在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

    Dec, 2018

  • 简单特征揭示 DeepFakes

    本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。

    Nov, 2019

  • 深度伪造算法的比较分析

    通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

    Sep, 2023

  • 通过分析卷积痕迹进行 DeepFake 检测

    该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象，提出新的检测方法。提出的该算法基于期望最大化算法，提取了一组特定的局部特征来建模卷积生成过程，经实验验证有效地区分了不同的架构和相应的生成过程。

    Apr, 2020

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024

  • 深度伪造检测的对抗威胁：实用角度分析

    本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究，旨在提高其鲁棒性，包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估，并证明了它们可以很容易地被跨模型攻击所绕过。

    Nov, 2020