GAN 图像取证的泛化研究
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
本研究提出了一个名为 DeepFD 的深度伪造鉴别器,采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像,实验结果表明,DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。
Sep, 2018
通过分析当前 GAN 人脸检测的研究方向和方法,本文对深度学习、物理学、生理学以及与人类视觉性能的评估和比较等方法进行了分类,总结出不同类别的关键思路并与其具体实现相联系,讨论了存在的问题并提出了未来研究方向。
Feb, 2022
该研究提出了一种基于森林模型的新方法集,称为 “ForensicsForest Family”,用于检测 GAN 生成的面部图像。这种方法通过层级串联不同级别的特征进行真实性预测,并使用多尺度集成方案来综合考虑不同级别的信息,提高检测性能。
Aug, 2023
本研究旨在验证通过预处理和数据增强,一个经典 CNN 生成器(ProGAN)训练出的图像分类器可以很好地适应不同的 CNN 生成器体系结构,数据集和训练方法,并发现了 CNN-generated images 的一些共同系统缺陷。
Dec, 2019
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
本研究首次学习 GAN 指纹以进行图像归属,并使用它们将图像分类为真实或 GAN 生成。实验表明,GAN 生成的图像具有稳定的指纹,指纹细调有效防御五种类型的对抗性图像扰动,并且得出结论指出我们学习到的指纹在各种设置中一致优于几个基线。
Nov, 2018
本文提出了一个包含真实照片、生成照片和编辑照片的面部取证定位数据集,并演示了通过在输入图像中显式添加面部标志信息,提高面部索证检测和定位性能的方法。
Oct, 2019