ForensicTransfer:弱监督领域自适应用于伪造检测
通过无监督领域自适应的新解决方案,DomainForensics,从已知伪造品向新伪造品传递伪造知识,通过领域差异的对齐捕捉新伪造品的知识,既考虑前向适应也考虑后向适应,在前向适应中,通过有监督训练在已知伪造品中提升 DeepFake 检测器的能力,并通过对新伪造品进行对抗特征适应传递伪造识别能力,而在后向适应中,通过对抗适应和自我蒸馏提高知识传递效果,使检测器能够从未标记数据中揭示新伪造特征并避免遗忘已知伪造知识。
Dec, 2023
本文探索了在图像取证应用程序中,攻击是否具有传递性,并证明在大多数情况下攻击是不可传递的,至少当攻击者不完全了解目标检测器时,可以简化适当的对策设计。
Nov, 2018
本文研究的问题是可广泛适用的合成图像检测,旨在检测来自各种生成方法,例如 GAN 和扩散模型的伪造图像。研究发现,传统的固定模式不利于学习伪造表示,因此提出了一种新颖的伪造感知自适应变压器方法,即 FatFormer。经过实验验证,FatFormer 在未见过的 GAN 和扩散模型上表现出色,检测性能平均达到 98% 和 95% 的准确率。
Dec, 2023
通过自我监督学习的实现,该论文提出了一种自我监督变压器协同对比和重建学习 (CoReST) 方法,该方法首先仅在真实人脸视频上进行自我监督预训练,然后在特定的人脸伪造视频数据集上用线性头进行微调,通过引入对比和重建学习的辅助任务来增强表示学习,同时引入领域适应性重建模块来弥合不同伪造领域之间的差距,实验结果表明,该方法在公共数据集上的表现比现有的有监督竞争方法更好,并具有令人印象深刻的泛化性能。
Sep, 2023
提出了一种基于 Transformers 的图像伪造定位方法 TransForensics,结合密集自注意力编码器和密集校正模块用于模拟全局上下文和不同尺度下的本地补丁之间的所有成对相互作用,该方法不仅可以捕捉有区分性的表示并获得高质量的蒙版预测,而且不受篡改类型和补丁序列顺序的限制,在主要基准测试中表现优于现有的现有方法。
Aug, 2021
本论文提出一种基于注意力机制的数据增广框架,用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象,通过跟踪和遮蔽 Top-N 敏感面部区域,鼓励检测器深入挖掘以前忽略的区域,从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果,同时我们的方法能够轻松集成到各种 CNN 模型中。
Apr, 2021
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
通过增量学习和领域不变表示,以及基于多角度知识蒸馏方法的特征级和标签级正则化,我们的研究提出了一种新型增强型 deepfake 检测模型,通过选择中心和困难样本来更新回放集,并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。
Sep, 2023
通过对抗性攻击,在转换的颜色域中考虑视觉感知,提出了一种新的反取证方法,即更难以察觉和更具可迁移性,可成功欺骗深度学习和非深度学习取证检测器,极大地提高了攻击成功率和视觉质量,为面部图像取证新的安全问题。
Oct, 2020