利用不一致的头部姿势揭示深度伪造
本研究提出了一种用于在单张图像中检测人脸交换和其他身份欺诈的方法,采用包含面部和背景的两个网络来实现人脸识别和背景识别以检测图像中不一致的特征,这一方法提高了通常用于检测虚假图像的传统分类器的检测信号,并在 FaceForensics++,Celeb-DF-v2 和 DFDC,等面部操作检测基准测试中取得了最新的成果.
Aug, 2020
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。
Nov, 2018
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
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
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
我们提出了一种基于帧不一致性的检测方法,通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性,实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。
Nov, 2023
本文提出了一种基于深度学习的人脸操作检测方法,包括特征提取和二进制分类两个阶段,并采用三元组损失函数来更好地区分真实面孔和伪造面孔,实验结果表明该方法的性能大多数情况下优于现有技术。
Sep, 2020
本文介绍了一种创新的 DeepFake 检测方法,使用从 3D 凝视估计模型获取的凝视表示来规范我们 DeepFake 检测模型中的相应表示,同时结合一般特征进一步提高性能。实验证明我们提出的 GazeForensics 优于当前最先进的方法。
Nov, 2023
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
我们介绍了一种新的无监督方法,通过测量多模态特征(特别是视觉、音频和身份特征)之间的内部和跨模态一致性来检测深度伪造视频,通过广泛的实验验证了我们的方法,在深度伪造视频中存在显著的内部和跨模态不一致性,可以高精度地检测出它们,并能够通过人工专家核实检测结果。
Nov, 2023