Apr, 2020

基于 CNN 集合的视频人脸篡改检测

PDF
TL;DR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。
发现论文，激发创造
  • 探究集成方法用于检测深度伪造人脸操纵

    本文讲述了人工智能 (AI) 技术支持的合成媒体 - 深度伪造技术 (deepfakes)，由此带来了令人兴奋的新应用，但也产生了对我们越来越数字化的世界的严重威胁。为了缓解这些威胁，研究人员尝试提出新的深度学习技术来检测 deepfakes，同时比较了多种模型模型的判别能力。他们的结果印证了集成模型在应对不同操作类别时的准确性，但是它的推广需要众多的训练数据作为支撑。

    Apr, 2023

  • 面部篡改的深度检测

    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

  • 检测和分割篡改人脸图片和视频的多任务学习

    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

  • 基于循环卷积策略的视频人脸篡改检测

    为了解决合成图像和视频中不实信息的传播，本文研究了深度学习模型在视频中检测已篡改面部信息的方法，并通过利用时序信息的深度学习模型和领域专属的预处理技术，提高了公开数据集上现有技术的表现。

    May, 2019

  • 深度假像检测：利用 2D 和 3D CNN 集成的能力

    该研究使用 2D 和 3D 卷积神经网络的创新方法验证视频内容，结合滑动过滤器捕捉空时特征，利用 Voting Ensembles 和 Adaptive Weighted Ensembling 优化 3D 模型输出，在对抗深度伪造生成的欺骗性实践方面展现出潜力。

    Oct, 2023

  • 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

  • 将 EfficientNet 和 Vision Transformers 相结合用于视频深度伪造检测

    本文旨在解决视频深度伪造检测的问题，特别注重于面部深度伪造，他们利用效率较高的特征提取器与各种 Vision Transformer 结合进行实验，得出的最佳模型 AUC 为 0.951，F1 得分为 88.0％.

    Jul, 2021

  • 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

  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018

  • 关于数字人脸篡改的检测

    利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

    Oct, 2019