Dec, 2022

基于面部区域位移轨迹序列的人脸伪造检测

PDF
TL;DR利用基于深度学习的技术来鉴别伪造的面部操作视频，特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建，其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频，该方法表现出了竞争力。
deep learningdeepfakesforged face imagesfacial manipulationvideo detection
发现论文，激发创造
  • 关于数字人脸篡改的检测

    利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

    Oct, 2019

  • FaceForensics++: 检测篡改的面部图像学习

    本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

    Jan, 2019

  • VideoForensicsHQ：检测高质量的经过篡改的人脸视频

    本文提出了一种新的人脸视频伪造检测数据集和检测器，通过使用空间和时间特征的组合，可以更准确地检测和识别被肉眼难以发现的视频伪造，且该方法具有更好的检测准确性和泛化能力。

    May, 2020

  • FaceForensics：一种用于在人脸中检测伪造的大规模视频数据集

    通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

    Mar, 2018

  • 使用基于部件检测器找到面孔伪造痕迹

    本论文提出了基于深度神经网络的人脸部分的伪造检测系统，并将其应用于多个数据集中的人工伪造视频的实证分析。

    Sep, 2021

  • 基于面部与其上下文不一致性的 DeepFake 检测

    本研究提出了一种用于在单张图像中检测人脸交换和其他身份欺诈的方法，采用包含面部和背景的两个网络来实现人脸识别和背景识别以检测图像中不一致的特征，这一方法提高了通常用于检测虚假图像的传统分类器的检测信号，并在 FaceForensics++，Celeb-DF-v2 和 DFDC，等面部操作检测基准测试中取得了最新的成果.

    Aug, 2020

  • 基于 3D 时空轨迹的深度伪造视频压缩检测

    该研究提出了一种基于 3D 时空轨迹的深度伪造视频检测方法，该方法通过利用鲁棒的 3D 模型构建时空运动特征，整合来自 2D 和 3D 帧的特征细节，以减轻大头部旋转角度或不足的光照对帧内的影响。此外，该方法将面部表情与头部运动分离，并设计了基于相空间运动轨迹的顺序分析方法，以探索深度伪造视频中真实面部和伪造面部之间的特征差异。通过对几个压缩深度伪造基准进行广泛实验证明了我们所提出的方法的性能。计算视频压缩前后面部标志的一致分布验证了精心设计的特征的鲁棒性。我们的方法取得了令人满意的结果，展示了其在实际应用中的潜力。

    Apr, 2024

  • 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

  • 通过自监督利用真实说话人脸实现鲁棒性防伪技术

    本研究提出了一种基于真实对话视频的假脸检测技术，通过跨模态自监督学习得到时序稠密视频表示，鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策，并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。

    Jan, 2022

  • DeepFakes: 一项新的人脸识别威胁？评估和检测

    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