实用深度伪造检测:全球背景下的漏洞
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
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
快速发展的技术和人工智能使得 deepfakes 成为一种越来越复杂和难以识别的技术。为了确保信息的准确性,控制虚假信息和大规模操控,寻找和发展能够普遍检测伪造视频的人工智能模型至关重要。本文旨在解决在计算资源有限的情况下检测 deepfakes 在各种现有数据集中的问题。目标是分析在这些限制下不同深度学习技术的适用性,并探索提高其效率的可能方法。
Feb, 2024
本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究,旨在提高其鲁棒性,包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估,并证明了它们可以很容易地被跨模型攻击所绕过。
Nov, 2020
本文讲述了近年来视频技术的进步使得生成假视频变得比以往更容易,同时也提到人工智能生成的 Deepfake 视频可以通过对抗性修改来欺骗现有的检测器并且具有实际威胁。研究者在本文中提出了可以误导 DNN 检测器认为 Deepfake 视频为真实的白盒和黑盒攻击方案。
Feb, 2020
本文旨在探讨生成深度学习算法如何创作和侦测 Deepfakes,并提供对其工作原理的深入了解以及当前领域的趋势和进展、目前防御解决方案的不足之处以及需要进一步研究和关注的领域。
Apr, 2020