Apr, 2020

DeepFakes 演进：面部区域分析与虚假检测性能

PDF
TL;DR该研究对第一代和第二代 DeepFake 进行了详尽的面部区域和伪造检测性能分析，在最新的 DeepFake 数据库的第二代中，即使是最强大的最先进的伪造检测器也无法达到理想的结果，证明了进一步研究开发更精密的伪造检测器的必要性。
media forensicsdeepfakesfacial regionsfake detection performancestate-of-the-art fake detectors
发现论文，激发创造
  • 通过主要区域正则化实现通用深度伪造检测

    通过从新的正则化角度增强一种去除主要区域的方法来增强现有的深伪造检测方法的泛化能力，并将其无缝整合到不同的主干网络中。

    Jul, 2023

  • 深度伪造检测的稳健性与泛化性：扩散模型研究

    通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。

    Sep, 2023

  • 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

  • 深度伪造生成与检测：基准和调查

    对深度伪造生成和检测的最新发展进行了综合回顾和分析，并讨论了该领域的当前状态，主要集中在深度伪造生成和检测技术框架的发展，以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究，并评估了各领域中的代表性方法和最新的研究成果，最后分析了该领域的挑战与未来研究方向。

    Mar, 2024

  • 基于面部与其上下文不一致性的 DeepFake 检测

    本研究提出了一种用于在单张图像中检测人脸交换和其他身份欺诈的方法，采用包含面部和背景的两个网络来实现人脸识别和背景识别以检测图像中不一致的特征，这一方法提高了通常用于检测虚假图像的传统分类器的检测信号，并在 FaceForensics++，Celeb-DF-v2 和 DFDC，等面部操作检测基准测试中取得了最新的成果.

    Aug, 2020

  • 超越检测：深度伪造图像视觉真实度评估

    本文提出了一种有效的方法来评估 DeepFake 视频的视觉真实感，并详细介绍了两个卷积神经网络模型的数据预处理和训练程序，这些模型通过从帧序列中提取的特征来预测 DeepFake 视频的 Mean Opinion Scores，并在 DeepFake Game Competition (DFGC) 2022 评估中获得了第三名。

    Jun, 2023

  • 提高视频深度伪造检测：一种基于 DCT 的补丁级分析方法

    通过从离散余弦变换 (DCT) 中提取 Beta 分量并将其用作标准分类器的输入，从而快速识别合成内容并确定视频的性质，该方法在福全学的角度上具有又快又可解释性，不需要太多计算力。

    Oct, 2023

  • 佩戴口罩的面部图像深度伪造检测

    这篇论文探讨了现代深度学习网络在检测佩戴口罩的 Deepfake 技术方面的性能，并提出了两种不同的检测方法：面部裁剪和面部贴片。实验表明，面部裁剪比面部贴片更为有效，可用于识别现实世界中带口罩的人脸 Deepfake。

    Feb, 2022

  • 面部深度伪造检测器概述

    本研究对最新的深度伪造检测器进行了广泛综述和分析，评估了它们在几个关键标准下的表现，并将它们分类成四个高水平组和十三个细粒度子组，进一步提供了关于影响检测器有效性的因素的深入实际见解。通过考察 16 个主要检测器在多种标准攻击场景下的普适性，包括黑盒、白盒和灰盒设置，系统性的分析和实验为对抗各种攻击场景的深度伪造检测器的研究奠定了基础，并为制定更积极的防御策略提供了启示。

    Jan, 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