May, 2020

DeepFaceLab：集成、灵活且可扩展的人脸交换框架

PDF
TL;DR我们提出了 DeepFaceLab，这是当前支配面部交换的深度伪造框架，它提供必要的工具和易于使用的方式来进行高质量的面部交换，并提供了一种灵活松散的耦合结构，详细介绍了 DeepFaceLab 的实现原理和流程，并比较了我们的方法与其他面部交换方法。
发现论文，激发创造
  • 媒体取证与深伪造系统综述

    这篇综述论文讨论了 Deepfake 技术的方法和应用，包括面部操纵、深度学习、伪造检测技术和虚假图像的识别。

    Jun, 2024

  • 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

  • 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

  • 深度伪造检测在实际场景中的评估框架

    提出了一个更可靠的评估框架来评估在更现实的情境下学习型 deepfake 检测器的性能，并量化其对不同处理操作的鲁棒性，同时设计了一个基于真实处理操作驱动的随机退化数据增强方法，显著提高了 deepfake 检测器的鲁棒性。

    Apr, 2023

  • SimSwap：一种高保真人脸交换的高效框架

    提出了一种高效的面部交换框架，称为 Simple Swap (SimSwap)，具有泛化和高保真度。通过使用 ID Injection Module (IIM) 将源面的身份信息传输到目标面，并通过提出的 Weak Feature Matching Loss 实现对特征的匹配，以实现属性的保留。在野外面部图像上的广泛实验表明，我们的 SimSwap 能够实现与先前最先进方法相同的身份性能，同时更好地保留属性。

    Jun, 2021

  • 深度学习用于深伪造图像的生成和检测：综述

    该文章调查了深度伪造技术的算法及检测方法，并讨论了相关挑战、研究方向与发展趋势。

    Sep, 2019

  • 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

  • 使用深度学习检测深度伪造现象

    这篇文章旨在综述目前使用深度学习算法来应对社交媒体上深度伪造威胁的深度伪造检测模型，详细讨论了这些模型的优点、局限性和未来发展方向。

    Jul, 2022

  • 解决 DeepFake 问题：使用动态人脸增强改善 DeepFake 检测的分析

    本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。

    Feb, 2021

  • 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