Jan, 2020

视频中的 Face2Face 面部复现检测

PDF
TL;DR该研究提出了一种基于学习的算法来检测改编性质的图像和视频，通过多流网络学习区域性特征，提高了检测性能。结果表明，该方法在不同压缩条件下的分类准确率达到了 99.96％，99.10％和 91.20％。
visual contentimage and video alterationdeepfakesreenactment detectionmulti-stream network
发现论文，激发创造
  • 自动人脸重现

    提出了一种基于图像的面部再现系统，其可用于将源视频用户的面孔替换为现有目标视频中演员的面孔，并保留原始目标性能，系统具有全自动化和不需要源表情数据库的特点，使用了图像检索和面部转移以产生令人信服的效果。

    Feb, 2016

  • Face2Face: 实时 RGB 视频人脸捕获和再现

    Face2Face 是一种用于实时面部复刻的创新方法，可以通过非刚性基于模型的束缚，跟踪面部表情，实现来自单眼录制的目标视频序列的面部表情的动画化，并以逼真的方式重新渲染操作后的输出视频。

    Jul, 2020

  • ID-Reveal: 具备身份感知的 DeepFake 视频检测

    ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

    Dec, 2020

  • 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

  • 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

  • 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

  • 通过自监督利用真实说话人脸实现鲁棒性防伪技术

    本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。

    Jan, 2022

  • 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

  • Head2HeadFS：基于视频的头部逆向再现，低样本学习

    提出了一种新颖的轻松适应管道 head2headFS，可以将源人的表情和整个头部姿势高质量地转移到目标人，使用源的密集 3D 面部形状信息来调节目标人的合成，fine-tuning 自适应多人数据集训练的通用生成器为个人特定的生成器，具有 few-shot learning 功能。

    Mar, 2021

  • FaceForensics：一种用于在人脸中检测伪造的大规模视频数据集

    通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

    Mar, 2018