用于广义文档再捕获攻击检测的双分支多尺度深度神经网络
本文提出了一种基于两分支网络结构的深度伪造检测方法,利用高斯拉普拉斯算子压缩自然面部变异性,推开特征空间中不真实的面部样本以更好地隔离数字操纵面孔,并在 FaceForensics ++、Celeb-DF 和 Facebook 的 DFDC 预览基准测试中实现良好的视频级性能。
Aug, 2020
本文提出了四种图像篡改识别方法并设计了适应性强的 FDDF 模型以识别不同的图像篡改模式,并构建了一个五倍于之前数据集的实景万能复制(RUR)数据集。实验表明,FDDF 模型在 RUR 数据集上表现出色,是目前最先进的技术之一。
Jun, 2022
本文提出了一种双重关注生成对抗网络,用于实现高分辨率遥感图像变化检测任务,通过生成对抗策略优化检测模型的权重,增强预测的空间连续性,并通过多层特征提取器、多尺度自适应融合模块和上下文细化模块来有效融合多层次特征,提升对多尺度对象的识别能力。与其他先进方法相比,在 LEVIR 数据集上实验结果显示,DAGAN 框架具有更好的性能,均值 IoU 达到 85.01%,均值 F1 得分达到 91.48%。
Oct, 2023
本文提出了一个新的多注意力深度伪造检测网络,该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题,并在多个数据集上展示了该方法在检测深度伪造方面的优越性。
Mar, 2021
近年来,文件处理蓬勃发展并带来了众多好处。然而,被报告的伪造文件图像案例显著增加。特别是深度神经网络(DNN)在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题,我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集,通过模拟可能的攻击,如文本添加、删除和替换,使用最新的 DNN 方法。此外,我们通过自监督学习的方式引入了一种有效的预训练方法,包括自然图像和文档图像。在我们的实验证明,我们的方法提高了检测性能。
Nov, 2023
本文提出了一种利用深度学习技术中的循环记忆 - 关注模块来实现图像多标签分类识别的新方法。通过不使用候选区域提取方法,从卷积特征图中定位注意区域,并使用 LSTM 子网络对这些区域进行语义标记和全局依赖性的序列预测。试验表明该方法在识别准确率和效率上均优于现有技术。
Nov, 2017
提出一种双流卷积神经网络框架,其中一流在频域中适应四个可学习频率滤波器来学习特征,另一流利用 RGB 图像来补充频域特征,通过分层注意力模块进行信息融合,提升面部呈现攻击检测方法的泛化能力。
Sep, 2021
通过创新的双流网络、多功能模块和半监督补丁相似性学习策略,本研究在深伪检测领域取得了显著的改进,通过六个基准测试表明具有较强的鲁棒性和普适性,并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835,将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。
Sep, 2023
我们提出了一种新颖的优化框架,它可以基于用户描述信息和美学目标对给定图像进行裁剪,通过重新利用预训练的图像标注和美学任务网络直接优化裁剪参数,并通过多种策略实现了优化目标的实现,定量与定性实验证明我们的框架可以产生符合预期的用户描述和审美标准的裁剪图像。
Jan, 2022