交互式和组合式 Deepfake 的展望
本综述分析了视觉媒体完整性验证的方法,着重于探讨深度伪造现象和现代数据驱动的法医分析方法,以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。
Jan, 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
本文通过对 182 篇同行评议的出版物进行初步范围审查,评估了有关深度伪造的文献。通过讨论各方面的趋势,将结果应用于高等教育领域,提出了深度伪造技术在高等教育中的主要风险和潜在的缓解策略,以及有益于教学和学习的用途,最终提出了一个研究议程以构建一个全面的、跨文化的深度伪造教育研究方法。
Apr, 2024
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
为了防止 Deepfakes 对个人和社会生活造成的危害并应对未来的网络安全问题,我们提出了构建完整的防范和治理框架的必要性,其中有新型的虚假信息传播理论框架的支撑,并列举了当前面临的问题和挑战。
Mar, 2022
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
本文综述了现有工具和基于机器学习的方法,用于深度伪造(Deepfake)的生成和检测,并讨论了目前的公共数据集和对技术进行性能评估的关键标准,强调了未来研究的方向。
Feb, 2021