ECCVJul, 2022

通过分析图像匹配解释 Deepfake 检测

PDF
TL;DR本文旨在解释当深度伪造检测模型仅用二进制标签进行监督时，它们如何学习图像的人工特征。为此，从图像匹配的角度提出了三个假设，并验证了这些假设，进一步提出了 FST-Matching 深度伪造检测模型来提高压缩视频的伪造检测效果。
deepfake detection modelsbinary labelsfst-matchingvisual conceptsvideo compression
发现论文，激发创造
  • 检测人脸扭曲痕迹，揭示 DeepFake 视频

    本文通过深度学习和卷积神经网络技术识别 DeepFake 视频，并提出了一种不需要负面训练样本的方法，利用仿射变换中的瑕疵作为区分真假视频的显著特征，通过简单的图像处理操作即可模拟这些瑕疵。方法具有高效、节省时间和资源、鲁棒性等优点。

    Nov, 2018

  • 面部篡改的深度检测

    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

  • 简单特征揭示 DeepFakes

    本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。

    Nov, 2019

  • 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

  • 度量学习检测 Deepfakes

    本研究采用深度量化网络的三元组结构，将视频的真实性进行分类，有效提高了真伪判断的准确性。并取得了 Celeb-DF 数据集上 99.2% 的最优 AUC score 和高度压缩的神经纹理数据集上 90.71% 的准确率。

    Mar, 2020

  • 让真实图像作为判断者，发现由生成模型合成的假图像

    通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。

    Mar, 2024

  • 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

  • 家长和孩子：区分多模态深度伪造图像与自然图像

    本文通过系统研究最新扩散模型生成的虚假图片的真实性，分析其图像的低层特征和用作种子的文本说明的语义作用，并提供了一个新的包含约 600k 张图像的数据集 COCOFake。

    Apr, 2023

  • 深度伪造检测中的常识推理

    利用人们的常识推理对深度学习伪造进行检测，并通过 DD-VQA 任务扩展，以建模解释图像真伪的原因，提供了一个包含回答和解释的新数据集，并提出了一种基于视觉和语言的 Transformer 框架，用于解释性和跨模态的应用于深度伪造检测领域。

    Jan, 2024

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024