FakePolisher: 浅层重建使 DeepFakes 更难检测
通过实验,我们展示了超分辨率技术在深度伪造检测中的应用作为一种潜在的对抗攻击方法,通过对图像视觉外观的微小改变能对深度伪造检测系统的性能产生深远的影响。我们提出了一种新颖的攻击方法,使用超分辨率作为一种快速、黑盒和有效的方法,来伪装假图像和 / 或在原始图像上生成虚假的警报。我们的结果表明,超分辨率的使用可以显著损害深度伪造检测器的准确性,从而突显这种系统对对抗性攻击的脆弱性。我们的实验代码可在此链接中获取:this https URL
Jul, 2024
该研究论文介绍了 “局部感知深度伪造检测算法”(LaDeDa),该算法使用单个 9x9 图像块作为输入,并输出其深度伪造得分。利用图像块级别的信息,LaDeDa 显著提高了检测的准确性,在当前基准测试中达到了约 99% 的平均准确率。此外,通过将 LaDeDa 简化为只有 4 层卷积层的高效模型 Tiny-LaDeDa,实现了 375 倍的浮点运算降低和 10000 倍的参数效率提高,使其可以在边缘设备上高效运行,并在准确性略微下降的情况下获得令人瞩目的成绩。然而,实验发现当前训练协议存在问题,导致方法无法推广到从社交媒体上提取的真实世界深度伪造图像。为解决这一问题,研究引入了一个新的深度伪造检测数据集 WildRF,该方法在该数据集上实现了 93.7% 的最佳性能,然而与完美准确度之间存在较大差距,表明可靠的真实世界深度伪造检测问题仍未解决。
Jun, 2024
通过对深度伪造检测方法的综述研究,本论文提供了面向人脸为中心的深度伪造技术的分类、检测方法的演化以及适应新的生成模型的挑战,并探索了提高深度伪造检测器的可靠性和稳健性的方向。
Jun, 2024
采用二进制神经网络(BNNs)进行实时图像深伪造检测,以提高效率并取得较高准确率,在频域和纹理域探测操纵痕迹,性能优于现有方法,并显著减少运算量。
Jun, 2024
通过传统图像编码器提取的特征分析发现,无论是低级特征还是高级特征都对于识别不同扩散方法制作的 DeepFake 图像具有独特的优势。受到这一发现的启发,我们旨在开发一种有效的表示方法,以捕捉低级和高级特征来检测基于扩散的 DeepFakes。为了解决这个问题,我们提出了一种文本模态导向的特征提取方法,称为 TOFE。具体而言,对于给定的目标图像,我们发现的表示是一个相应的文本嵌入,可引导具有特定文本到图像模型的目标图像生成。在十种扩散类型的实验中证明了我们提出的方法的功效。
May, 2024
本研究提出了一种名为 “偏离学习” 的方法,通过混合高频组件的混合伪造语义(称为异常)进入真实的图像,从而消除了将模型偏向特定语义的偏见,提高了模型的泛化能力和检测公平性。
May, 2024
通过提出一个新颖的、多语种的、多模态的深度伪造数据集 PolyGlotFake,本研究在该数据集上进行了实验,展示了多模态深度伪造检测研究中的重要挑战和实用价值。
May, 2024
通过在 Foundation Models 中加入富信息,利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中,我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性,并取得了显著的性能提升。
Apr, 2024