Nov, 2022

我的脸我的选择：用于社交媒体匿名化的增强隐私深度伪造技术

PDF
TL;DR该研究介绍了三种人脸访问模型，使用深假面替换未经批准的面孔，并提出了适用于此任务的新度量标准，通过在真实数据集和两个合成数据集上测试，证明了该系统的有效性，并对相似性度量、深假面生成器和数据集进行了广泛分析。
face recognitionethical aideepfakeprivacysota
发现论文，激发创造
  • SFace：使用合成数据进行隐私友好型高精准度人脸识别

    本研究提出并研究了使用一种隐私友好的合成人脸数据集，通过条件生成对抗网络生成类标记的人脸图像。在此基础上，提出了三种不同的学习策略，对这种隐私友好的合成数据集进行人脸识别的训练，并在多个人脸识别基准测试中证明了其高潜力。

    Jun, 2022

  • 使用合成脸部数据进行人脸识别

    本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

    May, 2023

  • 媒体取证与深伪造系统综述

    这篇综述论文讨论了 Deepfake 技术的方法和应用，包括面部操纵、深度学习、伪造检测技术和虚假图像的识别。

    Jun, 2024

  • 人脸识别的合成数据：现状和未来前景

    该研究论文探讨了合成面部数据在人脸识别领域中的应用及近期进展，以及由此带来的挑战和未来前景。研究提出合成数据作为隐私友好的替代品具有很大的潜力。

    May, 2023

  • 迈向更公平的人脸识别数据集

    利用生成的训练数据集中的人口属性平衡机制，提出了一种全面的评估方法，旨在促进更公平、透明的人脸识别和验证，并发现在减少人口属性不公平的同时，性能差距仍然存在。

    Jun, 2024

  • FoggySight: 面部查找隐私方案

    该研究提出了一种名为 FoggySight 的解决方案，通过诸如对抗机器学习算法等方式，在图片上传到社交媒体之前，以保护个人隐私的方式，对人脸图片进行修改。FoggySight 的核心特征是共同保护策略，参与者可以作为其他用户隐私的保护者，上传由对抗性机器学习算法生成的诱骗图片，以保护面部隐私，包括防止具有未知内部结构的人脸识别服务的侵害。

    Dec, 2020

  • 对抗性人脸遮蔽

    该篇研究论文提出了一种名为 Face-Off 的隐私保护框架，旨在通过对用户面部进行策略性扰动来防止它被正确识别，该框架能够欺骗微软、亚马逊和 Face++ 等三种商业人脸识别服务，并且用户研究表明，所进行的扰动对用户的成本是可以接受的。

    Mar, 2020

  • AnonymousNet：可度量隐私的自然人脸去身份化方法

    本文提出了一种名为 AnonymousNet 的新框架，该框架包含四个阶段：面部属性估计、以隐私指标为导向的面部模糊处理、定向自然图像合成和对抗扰动。AnonymousNet 不仅在图像质量和属性预测准确性方面取得了最先进的成果，而且还首次展示了面部隐私的可衡量性和可分解性，以满足不同的要求和应用场景。实验进一步证明了该框架的有效性。

    Apr, 2019

  • 通过合成人脸降低人脸识别中真实数据的需求量

    本研究主要探讨利用合成人脸数据训练深度人脸识别模型的有效性，以减少对真实图像的依赖并解决数据收集问题，并且通过数据增强技术的应用进一步优化识别准确率。

    Apr, 2024

  • 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