使用胶囊网络检测虚假图像和视频

Oct, 2019

使用胶囊网络检测虚假图像和视频

Use of a Capsule Network to Detect Fake Images and Videos

Huy H. Nguyen, Junichi Yamagishi, Isao Echizen

TL;DR本文介绍了一种胶囊网络方法，用于检测多种攻击类型，从使用打印图像和重放视频的陈述性攻击到使用深度学习创建的虚假视频的攻击，具有与传统卷积神经网络相似的性能，并通过详细分析和可视化解释了胶囊网络应用于取证问题的理论。

Abstract

The revolution in computer hardware, especially in graphics processing units and tensor processing units, has enabled significant advances in computer graphics and artificial intelligence algorithms. In addition to their many beneficial applications in daily life and business, computer

computer graphics artificial intelligence deepfake capsule network forensics

发现论文，激发创造

胶囊取证：使用胶囊网络检测伪造图像和视频

本文介绍了一种使用胶囊网络来检测各种欺骗的方法，从使用打印图像或记录视频的重放攻击到使用深度卷积神经网络的计算机生成视频，它将胶囊网络的应用扩展到了解决反向图形问题。

Oct, 2018

使用卷积神经网络和胶囊网络进行可解释的深度伪造视频检测

通过使用卷积神经网络和胶囊网络与长短期记忆，利用可解释的人工智能来区分深度伪造生成的帧和原始帧，以实现我们的目标，并促进透明的人工智能关系并提供真实场景的实际示例。

Apr, 2024

CapST：一种强化且轻量化的深度伪造视频分类方法

通过创新和简化的模型，本研究致力于对通过五种不同的编码器生成的深度伪造视频进行分类，该模型在性能上达到最新水平，并且优化了计算资源的利用。该模型结合了 VGG19bn 的一部分作为骨干，使用胶囊网络和时空注意机制增强了模型的分类能力，并通过聚合帧之间的洞察力获得了视频内容的整体理解。实验结果证明了我们的方法在准确分类深度伪造视频方面相较于基线模型提升了 4 个百分点，并且对计算资源的需求更低。

Nov, 2023

深度伪造算法的比较分析

通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

Sep, 2023

审判法院深度伪造检测综述

本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。

May, 2022

对抗生成网络中的 Deepfake: 评估 Deepfake 检测器对对抗样本的容错性

本文讲述了近年来视频技术的进步使得生成假视频变得比以往更容易，同时也提到人工智能生成的 Deepfake 视频可以通过对抗性修改来欺骗现有的检测器并且具有实际威胁。研究者在本文中提出了可以误导 DNN 检测器认为 Deepfake 视频为真实的白盒和黑盒攻击方案。

Feb, 2020

深度学习用于深伪造图像的生成和检测：综述

该文章调查了深度伪造技术的算法及检测方法，并讨论了相关挑战、研究方向与发展趋势。

Sep, 2019

DeepFakes: 一项新的人脸识别威胁？评估和检测

在本文中，我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频，调整不同的训练和混合参数对生成视频的质量有显著影响，并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。

Dec, 2018

使用深度学习检测深度伪造现象

这篇文章旨在综述目前使用深度学习算法来应对社交媒体上深度伪造威胁的深度伪造检测模型，详细讨论了这些模型的优点、局限性和未来发展方向。

Jul, 2022

深度伪造检测和有限计算能力的影响

快速发展的技术和人工智能使得 deepfakes 成为一种越来越复杂和难以识别的技术。为了确保信息的准确性，控制虚假信息和大规模操控，寻找和发展能够普遍检测伪造视频的人工智能模型至关重要。本文旨在解决在计算资源有限的情况下检测 deepfakes 在各种现有数据集中的问题。目标是分析在这些限制下不同深度学习技术的适用性，并探索提高其效率的可能方法。

Feb, 2024