CVPRJun, 2022

CORE: 人脸篡改检测中的一致性表示学习

PDF
TL;DR针对人脸篡改技术的面部伪造检测方法，提出了一种用于增强不同表现形式下的一致性的学习框架（CORE），该框架基于卷积神经网络，通过正则化追求更一致的表示以进行更准确的伪造检测。
face manipulationconvolutional neural networkserasing-based augmentationsconsistent representationsface forgery detection
发现论文，激发创造
  • CoReFace: 深度人脸识别的样本引导对比正则化

    提出一种名为 CoReFace 的新方法，它将样本引导的对比学习应用于特征表示学习，以在特征表示学习中直接规范图像级别关系。 CoReFace 的实验表明其与现有最先进方法具有极高的竞争力。

    Apr, 2023

  • 面部代表性伪造挖掘用于伪造人脸检测

    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

  • 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

  • 基于增强的一致性正则化分类

    本文提出了一种基于数据增强的一致性正则化框架 CR-Aug，利用停止梯度操作来提高支持向量器的泛化能力，并表明 CR-Aug 的效果显著优于基线方法。

    May, 2022

  • 揭示可普遍适用的深伪冒检测中的常见不一致性

    我们提出了一种基于帧不一致性的检测方法，通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性，实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。

    Nov, 2023

  • 提高深假脸检测器的跨数据集泛化能力

    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

  • FRA：一种新的面部表示增强算法用于人脸识别

    本文提出了一种新的数据扩充算法 (Face Representation Augmentation，FRA)，通过操纵面部表示学习算法生成的面部嵌入来生成新的嵌入，从而改善人脸识别算法的训练过程并提高识别准确率。

    Jan, 2023

  • 使用蒸馏进行连续表示的虚假媒体泛化检测

    本论文研究人工智能的连续学习及其在神经网络领域的应用，提出了 Continual Representation using Distillation (CoReD) 方法，以增加数据效率并对抗深度伪造技术进行序列领域适应任务的新深伪和生成对抗网络合成人脸数据集，取得了比当前的基准方法更好的实验结果。

    Jul, 2021

  • 基于显著性 ImageNet 的核心风险最小化

    本文中，我们介绍了 Salient Imagenet-1M 数据集，并评估了几个预训练模型对于虚假特征的依赖性；而后，我们提出了一种新的学习范式叫做核风险最小化，其目的是确保模型使用核心特征对类进行预测。我们评估了不同的计算方法，发现训练 Core Risk Minimization 模型的核心准确率比经验风险最小化模型的准确率高约 12％，并且干扰后没有降低干净准确率。

    Mar, 2022

  • 约束的 R-CNN：一个通用的图片篡改检测模型

    提出了一种名为 Constrained R-CNN 的分层架构，它具有可学习的操纵特征提取功能，实现了对图像操纵的完整和准确的检测，学术实验表明该模型性能达到了最高水平。

    Nov, 2019