这篇论文介绍了一种用于检测深度伪造的频率增强自混合图像(FSBI)方法,通过利用离散小波变换(DWT)从自混合图像(SBI)中提取判别特征,训练卷积网络模型,在频域中检测时间域中难以检测到的伪造痕迹,并在 FF++ 和 Celeb-DF 数据集上的跨数据集评估中表现优于现有技术。
Jun, 2024
通过生成合成的混合图像并利用多尺度特征重建网络,实现更好的跨操作检测和跨数据集检测性能。
Dec, 2023
本文提出了一种使用源特征不一致性来检测 deepfake 图像的新方法,基于示例表明我们的方法相较于现有技术平均 AUC 提升从 96.45%至 98.05%,在跨数据集评估中提升从 86.03%至 92.18%。
Dec, 2020
提出了一种名为 Selective Domain-Invariant Feature (SDIF) 的新型框架,通过融合内容特征和样式来减少对面部伪造的敏感性,并使用动态特征提取模块生成具有多样样式的特征,最终使用领域分离策略来帮助区分真实和伪造的面部。在现有基准和提案中的定性和定量结果证明了我们方法的有效性。
Mar, 2024
我们提出了一个全新的综合基准来革新当前的深度伪造检测领域,主要是通过研究训练数据集和测试数据集对现实世界中存在的各种真实多样的深度伪造进行综合评估。
通过增量学习和领域不变表示,以及基于多角度知识蒸馏方法的特征级和标签级正则化,我们的研究提出了一种新型增强型 deepfake 检测模型,通过选择中心和困难样本来更新回放集,并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。
Sep, 2023
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。
该研究介绍了一种深假检测框架,利用自监督预训练模型提供出色的泛化能力,能够应对常见的扭曲并解释模型的决策,实验证明该框架的有效性超过当前最先进方法。
Jul, 2023
本文对当前合成图像生成和处理技术的发展进行了探讨,并提出了一个基于 DeepFakes,Face2Face,FaceSwap 和 NeuralTextures 的面部操作检测基准,包括超过 180 万个操纵图像的数据库,并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。
Jan, 2019
图像伪造是一个多年来一直被研究的课题,深度学习的突破对图像伪造检测产生了重大影响,我们使用先进的图像合成深度学习模型自动化数据生成,生成接近真实操作的拼接图像,通过对生成的数据集进行测试,我们证明其对现有数据集的预测性能较低,即我们生成了更难检测的逼真图像。
Apr, 2024