Nov, 2018

利用时间和深度信息进行多帧人脸反欺骗

PDF
TL;DR该研究提出了一种新的基于多个 RGB 帧估计深度信息的深度监督架构，用以编码面部攻击检测的时空信息，包括两个新颖的模块：光流引导特征块和卷积门循环单元模块，可以提取短期和长期运动以区分活体和欺骗面部。实验结果表明，该方法在四个基准数据集（OULU-NPU、SiW、CASIA-MFSD 和 Replay-Attack）上达到了最先进的水平。
发现论文，激发创造
  • 人脸防照片攻击的深度空间梯度与时间深度学习

    本论文提出了一种使用多帧和深度学习方法进行面部防欺骗的新方法，通过 Residual Spatial Gradient Block 和 Spatio-Temporal Propagation Module 等技术实现了优秀的检测性能，在多个数据集上均取得了最先进的结果。

    Mar, 2020

  • 面部防欺诈的深度频繁空时学习

    本研究提出了一种基于二流 FreqSaptialTemporalNet 的人脸反欺诈新方法，通过融合多种信息来提高性能并采用频谱图像作为一个输入流，以实现自动发现真假视频之间的主要差异。同时，利用适当的数据增强方法以解决数据不足的问题。

    Jan, 2020

  • 深度集成学习中的帧跳过用于人脸防伪

    将人脸防伪任务重新构建为动作预测问题，并引入了一个含有跳帧机制的深度集成学习模型。通过对原始视频进行切割，并选取每个视频片段的第 n 帧来培训三个循环神经网络，从而改进了整体的识别表现。在四个数据集上进行了大量实验证明，在最具挑战性的跨数据集测试场景中，MSU-MFSD（3.12%），Replay-Attack（11.19%）和 OULU-NPU（12.23%）的半总误差率（HTER）上报告了顶尖性能。

    Jul, 2023

  • 创造人工模态以解决 RGB 真实性问题

    提出利用人工制造的模态从 RGB 视频中提取状态间的动态差异，用于对付人脸反欺诈，通过中间表示来增加模型对未知攻击和未知族群的鲁棒性，该方法在最大的跨族群人脸反欺诈数据集 CASIA-SURF CeFA（RGB）上取得了最先进的效果。

    Jun, 2020

  • 面部反欺诈学习深度模型：二进制或辅助监督

    本研究介绍了一种通过 CNN-RNN 模型学习面部深度和估计 rPPG 信号来识别真实人脸和虚假人脸的新型面部反欺诈方法，并提出了一种新的面部反欺诈数据库，数据集包含大范围的变化。实验结果表明，该模型在数据库内和跨数据库测试上均达到了最先进水平。

    Mar, 2018

  • 时间机会主义者：自监督多帧单目深度

    提出 ManyDepth，一种自适应的、可以在测试时间利用序列信息的深度估计方法，通过深度自监督训练基于端到端代价体系积攒的方法，鼓励网络忽略不可靠的代价体以及针对静态相机场景的增强方案。实验证明此方法在 KITTI 和 Cityscapes 上表现优于其他单帧和多帧的自监督基线模型。

    Apr, 2021

  • 不要忘记过去：从单目视频中的循环深度估计

    本文介绍了一种基于 ConvLSTM 和三种不同类型深度预测网络的自监督实时单目深度估计和完成方法，能够产生一系列的深度图，该方法灵活且可与不同类型稀疏深度图案件组合使用，实验表明，我们的方法在自监督场景中始终优于其基于图像的对应方法，并且在三个流行组的深度预测方法中也表现出更好的性能。

    Jan, 2020

  • 利用渐进增强学习技术探测细粒度人脸伪造线索

    使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。

    Dec, 2021

  • 通过精细面部深度生成和 RGB-D 互补特征学习来提高 2D 面部识别

    本文提出了一种 Fine-grained 面部深度生成网络和改进的多模式补充特征学习网络，实验结果表明，该方法可提高 RGB-D 面部识别的准确性并实现最先进性能。

    May, 2023

  • 揭示 Deepfakes：蒙面自编码时空转换器用于加强视频伪造检测

    提出了一种新颖的方法来检测深度伪造视频，使用一对通过自监督屏蔽自编码设置预训练的视觉转换器。

    Jun, 2023