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
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
本研究使用深度学习方法基于整个人脸和人脸补丁进行真 / 假图像的检测,主要应用于 DeepFake 技术的防范以及保障个人图像、视频等信息的原始性,实验结果表明,使用 patches 的加权可以提高准确性。
Apr, 2023
通过对生成对抗性网络的频域进行分析,我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵,通过这些瑕疵可以自动识别出 deep fake images, 超越了现有的最先进方法。
Mar, 2020
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
我们通过嵌入人工指纹到生成对抗网络的训练数据中,展示了指纹从训练数据中转移到生成模型的惊人传递性,并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效,且鲁棒性强。
Jul, 2020
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
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
通过人类语义知识和眼动实验研究假图像检测的可能性,结果显示人们在感知伪造样本时倾向于关注图像的更局部区域,与观看真实图像时更分散的观察模式形成对比。
Mar, 2024
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。