Sep, 2020

基于卷积 LSTM 残差网络的深伪造视频检测

PDF
TL;DR本文提出了一种基于卷积 LSTM 的深度学习模型（CLRNet），利用序列帧输入方法检测深伪视频中图像间的不自然痕迹，并且使用迁移学习对不同类型深伪视频的识别进行泛化。在 FaceForensics++ 数据集上进行了实验，结果显示我们的模型能够更好地泛化不同类型的深伪视频，相比于之前五种最先进的深伪检测方法，我们的方法表现更优越。
deep learningvideo manipulationdeepfake detectionconvolutional lstmtransfer learning
发现论文，激发创造
  • 一款探测器，称霸所有：通向通用深度伪装攻击检测框架

    通过引入卷积 LSTM 残差网络（CLRNet）并探索深度伪造（DeepFake）中的时空信息，我们提出了一种更通用的方法来检测由多种方法产生的深度伪造，包括 DeepFake-in-the-Wild（DFW），此方法在多个基准数据集上表现良好并进行了评估。

    May, 2021

  • 使用卷积神经网络和胶囊网络进行可解释的深度伪造视频检测

    通过使用卷积神经网络和胶囊网络与长短期记忆，利用可解释的人工智能来区分深度伪造生成的帧和原始帧，以实现我们的目标，并促进透明的人工智能关系并提供真实场景的实际示例。

    Apr, 2024

  • 将基于残差的局部描述符重构为卷积神经网络：一种应用于图像伪造检测的方法

    本文研究了基于图像噪声残留的局部描述符在图像取证领域，如伪造检测和定位方面的应用。通过将这种基于残留的描述符类看作简单的受约束的卷积神经网络（CNN），我们在相对较小的训练集上进行微调，松弛约束，获得了与传统检测器相比显著的性能提升。

    Mar, 2017

  • 利用 MLP 和 LSTM 的混合式 Deepfake 检测

    该研究提出了使用两个深度学习算法（LSTM 和 MLP）的新 deepfake 检测模型，并使用 140k 真实和虚假面孔数据集评估其在检测 deepfake 图像中的表现，最高可达 74.7% 的准确率。

    Apr, 2023

  • 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

  • 深度卷积池化变压器用于深度伪造检测

    该论文提出了一种基于卷积变换器的深度模型，旨在提高 Deepfake 检测性能，通过整合图片的局部和全局信息，采用卷积池化和再关注机制来增强特征提取、提升效率，并利用图像关键帧进行模型训练以提高性能，提出的解决方案在多个 Deepfake 基准数据集上均优于现有的基准算法。

    Sep, 2022

  • 利用时空卷积神经网络进行 Deepfake 检测

    通过使用 Celeb-DF 数据集，我们创建了基于时空卷积方法的表现基准，发现这些方法优于现有的基于帧的检测方法，因为它们能够学习到时序信息，并且提出了一种更好的深度学习算法来检测深度假像。

    Jun, 2020

  • 基于光流特征的混合卷积神经网络 - 长短期记忆网络在视频深度伪造检测中的应用

    本文主要研究深度伪造影像技术中因时域信息缺失导致传统方法检测失误的问题，并基于光流特征提取、CNN 和 RNN 混合模型开展研究，实现对 DFDC、FF++ 和 Celeb-DF 等开源数据集中深度伪造影像的有效检测，样本数量不足 100 帧时在 DFDC、FF++、Celeb-DF 数据集上的精度为 66.26%、91.21% 和 79.49%，有望实现对深度伪造内容的早期检测。

    Jul, 2022

  • 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

  • 使用可解释的成本敏感深度学习方法从视频中揭示 Deepfake 面孔

    利用一种资源高效透明的成本敏感深度学习方法，能够有效检测视频中的深度伪造人脸，展示了模型的适应性和有效性，并应用成本敏感神经网络方法解决深度伪造检测中常见的数据集不平衡问题。

    Dec, 2023