Dec, 2020

基于身份识别的深度伪造检测

PDF
TL;DR本文提出了一种基于身份识别的 DeepFake 检测方法，该方法不尝试检测图像伪造，而是侧重于确定图像 / 视频中的身份信息是否正确。为了促进基于身份识别的检测研究，作者还提出了一个名为 “Vox-DeepFake” 的大规模数据集和一个简单身份检测算法 “OuterFace”。
deepfakedetectionidentity-baseddatasetouterface algorithm
发现论文，激发创造
  • 利用双神经网络操作的个性化深伪检测

    通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

    Dec, 2023

  • DeepFidelity：深伪造：感知伪造保真度评估用于深度假脸检测

    DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

    Dec, 2023

  • ID-Reveal: 具备身份感知的 DeepFake 视频检测

    ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

    Dec, 2020

  • 完美深度伪造的预感：在经过重新平衡的深度伪造检测协议下的身份锚定无偏见检测

    通过使用平衡的测试场景来应对最完美的深度伪造视频，我们提出了重新平衡的深度伪造检测协议（RDDP），并提出了基于身份的深度伪造视频检测器 ID-Miner，它通过关注运动而不是伪造的特征或外观来鉴定伪造视频的幕后操作者。经过广泛的实验证明，我们的方法优于其他基准检测器，并呼吁研发针对完美深度伪造的检测器的必要性。

    May, 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

  • 声音脸部一致性揭示深度伪造视频

    本研究提出了一种利用语音面孔匹配的方法来检测深度伪造视频，并采用预训练和微调方法以快速适应未被开发的伪造技术，实验结果表明该方法在三个不同的深度伪造数据集上表现显著优于现有的其他模型。

    Mar, 2022

  • 深度伪造算法的比较分析

    通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

    Sep, 2023

  • 使用基于部件检测器找到面孔伪造痕迹

    本论文提出了基于深度神经网络的人脸部分的伪造检测系统，并将其应用于多个数据集中的人工伪造视频的实证分析。

    Sep, 2021

  • 基于块状方法的遮挡图像深度伪造检测

    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

  • 通过利用表面异常进行深度伪造检测：SurFake 方法

    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