Nov, 2019

简单特征揭示 DeepFakes

PDF
TL;DR本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。
deep generative modelsfake image detectionfrequency domain analysisclassification accuracyface editing algorithms
发现论文，激发创造
  • 基于精细特征的面部伪造深伪视频检测

    本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。

    Oct, 2023

  • DeepFeatureX Net: 基于深度特征提取网络的合成图像与真实图像区分

    基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。

    Apr, 2024

  • 频率掩蔽用于通用深度伪造检测

    通过探索遮蔽图像建模，我们提出了一种新颖的频率域深伪造图像检测方法，具有优异的泛化能力和显著的性能提升。

    Jan, 2024

  • 用高质量 Deepfake 欺骗现有最先进的 Deepfake 检测技术

    本文研究了深度伪造对安全和隐私的威胁，探讨了深度伪造检测器训练数据集中需包含高质量样本，提出了一种基于自编码器的面部交换技术，生成了 90 个高质量深度伪造样本并验证了它们在检测器的训练中具有一定的作用。

    May, 2023

  • 通过利用表面异常进行深度伪造检测：SurFake 方法

    深度伪造生成对场景整体几何和采集过程造成了特征变化，通过分析图像中表面的特征可生成一个可用于深度伪造检测的描述符，称为 SurFake。在各种深度伪造和深度学习模型上进行的实验结果证实了该特征可用于区分原始图像和经过篡改的图像，并且实验证明结合视觉数据可提高检测准确性。

    Oct, 2023

  • 利用再构和混合图像以及多尺度特征再构神经网络进行广义深度伪造检测

    通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

    Dec, 2023

  • 使用生物特征进行 Deepfake 检测：一项调查

    探讨 Deepfake 技术的历史、发展和检测，并议论了基于生理测量（如眉毛识别、眨眼检测、眼动检测、耳朵和口部检测、心跳检测等）的挑战，同时提出了各种不同的生物特征及分类器比较，并对 GANs 模型的检测方法进行了综述。

    Jan, 2023

  • 野外假人脸图像检测学习

    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

  • 超越光谱：通过重新合成检测 Deepfakes

    提出了一种针对深度伪造技术 (Fake 技术) 的视觉数据的伪造检测算法，通过重新合成测试图像并提取视觉线索进行检测，该方法包括超分辨率、降噪和上色。该方法具有较高的检测效率、交叉 GAN (Cross-GAN) 泛化以及对 CelebA-HQ、FFHQ 和 LSUN 数据集的扰动鲁棒性。

    May, 2021

  • 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