多重注意力深度伪造检测
本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法,将人脸伪造检测问题归纳为细粒度分类问题,并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。
Oct, 2023
本论文提出一种基于注意力机制的数据增广框架,用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象,通过跟踪和遮蔽 Top-N 敏感面部区域,鼓励检测器深入挖掘以前忽略的区域,从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果,同时我们的方法能够轻松集成到各种 CNN 模型中。
Apr, 2021
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
利用注意机制改善学习到的特征图,提高二分类(真实脸或伪造脸)的准确性和可视化处理后的伪造部位,通过大规模数据库的实验,证明了注意机制在人脸伪造检测和定位的有效性。
Oct, 2019
通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征,凭借信息瓶颈理论派生局部信息损失,保证局部表征的正交性同时保留全面的任务相关信息,通过互信息的理论分析得到全局信息损失,最终达到融合局部表征并且去除任务无关信息的目的,实证结果在五个基准数据集上取得了最新的性能,我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问,希望能够激发研究人员的灵感。
Mar, 2024
通过创新的双流网络、多功能模块和半监督补丁相似性学习策略,本研究在深伪检测领域取得了显著的改进,通过六个基准测试表明具有较强的鲁棒性和普适性,并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835,将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。
Sep, 2023
本文提出了一种基于深度学习的人脸操作检测方法,包括特征提取和二进制分类两个阶段,并采用三元组损失函数来更好地区分真实面孔和伪造面孔,实验结果表明该方法的性能大多数情况下优于现有技术。
Sep, 2020
本研究使用深度强化学习与卷积神经网络相结合,设计了一种新的深度伪造检测算法,通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片,实验证明该方法在跨数据集的泛化性能方面优于现有的模型,并获得最先进的性能。
Apr, 2022
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