ECCVJul, 2020

频率思维：通过挖掘频率感知线索进行面部伪造检测

PDF
TL;DR提出了一种新颖的基于频率的人脸伪造检测网络 F3-Net，通过感知频率分解图像分量和局部频率统计信息相结合的策略深度挖掘伪造模式，能够有效应对压缩图像和视频中的人脸伪造问题。在 FaceForensics++ 数据集上，F3-Net 在所有压缩质量下均显著优于同类方法。
face forgery detectionfrequencyf3-netcompression errorsforgery patterns
发现论文，激发创造
  • 探索基于频率对抗性攻击的人脸造假检测

    本文提出了一种基于离散余弦变换（DCT）的频率对抗攻击方法，以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域，我们的方法比空间域中的现有对抗攻击更为难以察觉，并且不会降低原始图像的视觉质量。在实验中，我们发现该方法有效地欺骗了空间域和最先进的频率域检测器，并增强了面部伪造检测器之间的可靠性。

    Mar, 2022

  • 利用渐进增强学习技术探测细粒度人脸伪造线索

    使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。

    Dec, 2021

  • 关注一致性改进的蒙面频率造假特征表示以实现人脸伪造检测的普适性

    通过提出一种新的注意一致性加工频伪造表示模型以实现人脸伪造检测算法的泛化能力，本文在多个公共人脸伪造数据集上的实验证明了该方法相对于现有技术的卓越性能。

    Jul, 2023

  • 频率感知深度假冒检测：通过频率空间学习改善泛化能力

    通过频域学习提高深伪造图像检测器的泛化性能，包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块，实现了先进的性能 (+9.8%)，并且所需参数更少。

    Mar, 2024

  • 利用高频特征进行人脸伪造检测的泛化

    这篇论文提出了一种基于 CNN 的人脸伪造检测方法，利用高频噪声、多尺度特征提取、残差 - 引导空间注意力和跨模态注意力等功能模块提高了交叉数据集下的检测性能。

    Mar, 2021

  • 超越先前的造假知識：挖掘關鍵線索進行人臉整體造假檢測

    本文介绍了一种新的关键伪造挖掘（CFM）框架，其中包含多种骨干，在提高它们的泛化性能和鲁棒性能方面拥有灵活性，以此解决面对脸部伪造检测的问题。通过实例和局部相似性感知损失，细粒度三元组和增强数据，精细关系学习原型，以及新颖的渐进式学习控制器，该方法在各种挑战性的评估设置下具有最先进的伪造检测性能。

    Apr, 2023

  • FreqBlender: 提升深度伪造检测的频率知识融合

    通过融合频率知识生成伪假面孔的新方法，提高 DeepFake 检测的泛化能力并使之成为其他方法的潜在即插即用策略。

    Apr, 2024

  • 单中心损失监督的面部伪造检测中的频率感知辨别特征学习

    本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

    Mar, 2021

  • 利用频率分析进行深度虚假图像识别

    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

  • 探索基于决策的黑盒攻击对人脸伪造检测的影响

    利用决策导向攻击和频率线索，我们提出了一种新的人脸伪造攻击方法，具有高查询效率和保证图像质量，在 FaceForensics++、CelebDF 和工业 API 上实现了攻击性能的最新突破，同时揭示了人脸伪造检测器的安全问题。

    Oct, 2023