Jun, 2019

通过脚本编写检测 Photoshop 合成人脸

PDF
TL;DR通过自动生成的虚假图像，应用自动脚本在完全训练的模型内，检测出一种非常流行的 Photoshop 操作 — 在人脸上应用图像扭曲 — 我们显示，我们的模型在识别操作的任务上优于人类，可以预测修改的具体位置，并且在某些情况下可以用于 “撤消” 操作以重构原始未经编辑的图像。我们证明，该系统可以成功应用于实际的图像操作中。
photoshop manipulationimage warpingimage detectionfake imagesautomated script
发现论文，激发创造
  • FaceForensics++: 检测篡改的面部图像学习

    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

  • 生成、分割与细化：通向通用操作分割

    本研究提出一种图像生成过程来创建真实的操纵图像样本，从而解决当前缺乏标签数据的问题，该方法利用图像混合等传统工作并提出新型生成器，在训练中强制算法关注边界伪影，并取得了强有力的实验结果。

    Nov, 2018

  • 面部篡改的深度检测

    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

  • 通过学习自一致性进行图像拼接检测以对抗假新闻

    我们提出了一种使用实际照片训练的学习算法，利用自动记录的照片 EXIF 元数据作为监督信号来检测视觉图像操纵，较于传统方法具有更好的性能，此方法可以被用于图像拼接定位和图像取证方面。

    May, 2018

  • VideoForensicsHQ：检测高质量的经过篡改的人脸视频

    本文提出了一种新的人脸视频伪造检测数据集和检测器，通过使用空间和时间特征的组合，可以更准确地检测和识别被肉眼难以发现的视频伪造，且该方法具有更好的检测准确性和泛化能力。

    May, 2020

  • 社交媒体时代图像篡改检测的有效性

    本研究通过深度学习和基于学习的方法，对图像篡改检测进行了深入分析，在标准数据集上评估了它们的性能；提出一种新颖的基于深度学习的预处理技术，用于强调篡改区域中的异常，通过加强篡改区域中的异常，提高了不同检测算法的性能，降低了在非篡改区域中的误检率，最后提供一个开源的篡改检测工具包。

    Apr, 2023

  • 基于 CNN 集合的视频人脸篡改检测

    本文提出了一种使用 ensembles 方法来判断现代面部操作技术的视频序列的面部操作检测的解决方案，该方案使用了基于卷积神经网络的不同模型，并结合了 EfficientNetB4、注意力层和连体训练等不同概念，针对以上两个概念结合的模型，本文在两个公开数据集上测试得出了令人期待的结果。

    Apr, 2020

  • 超越面部的视频处理：一份进行人机分析的数据集

    为了区分 “真实” 和 “篡改” 内容，在现代内容编辑工具成熟和基于人工智能的算法合成媒体不断发展的背景下，我们提出了 VideoSham 数据集，它包含 826 个视频（413 个真实和 413 个篡改）。该数据集具有更多元化、富于语境和以人为中心的高分辨率视频，使用 6 种不同的空间和时间攻击进行操作，我们分析发现，现有的最先进的检测算法只适用于少数几种攻击，并且不适用于 VideoSham。我们在 Amazon Mechanical Turk 上进行了用户研究，并深入分析了人类和 SOTA 算法的性能优劣，以确定需要更好的人工智能算法来填补差距。

    Jul, 2022

  • 探索篡改检测中的显著性偏见

    通过分析流行的图像操纵数据集中的视觉和语义显著趋势及其对检测的影响，我们提出了一个框架，以促进语义感知的法庭取证方法的进一步发展，从而了解视觉误导现象。

    Feb, 2024

  • DeepFakes 和更多：人脸处理和假图检测综述

    本文综述了利用大规模公共数据库及深度学习技术（尤其是生成对抗网络）生成逼真虚假内容的技术及其在虚假新闻时代的社会影响，包括 DeepFake、面部属性操作和面部表情交换等四种类型的面部操纵技术，以及检测这些操纵方法的关键技术。同时，我们详细介绍了每种操纵类型的技术、公共数据库和关键指标，并着重介绍了最新一代的 DeepFakes 在虚假检测方面的改进和挑战。除了综述信息外，我们也讨论了该领域的未解决问题和未来趋势。

    Jan, 2020