关于数字人脸篡改的检测
本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力,实验表明该网络对面部重现攻击和面部交换攻击很有效,并能处理以前从未见过的攻击。
Jun, 2019
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
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
本文提出了一种基于协同特征学习的方法,用于同时检测图像篡改和分割篡改组件,此方法可以更好地捕捉人脸区域的人工痕迹,并且在检测和分割方面均优于现有方法。
Apr, 2023
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
利用基于深度学习的技术来鉴别伪造的面部操作视频,特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建,其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频,该方法表现出了竞争力。
Dec, 2022
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
本文提出了一个新的多注意力深度伪造检测网络,该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题,并在多个数据集上展示了该方法在检测深度伪造方面的优越性。
Mar, 2021
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