Mar, 2023

特征提取更为重要：通过攻击集成特征提取器进行通用深度伪造破坏

PDF
TL;DR本研究提出一种基于特征输出集成的深度伪造破坏器 (FOUND)，该方法通过多特征聚合和单特征维护干扰多模型特征提取器，并采用梯度集成算法增强干扰效果，实现了针对深度伪造基准模型的显著提升，同时实现了在效率和成功率方面超越现有的通用破解器。
adversarial examplefacial privacy securitydeepfake disruptionuniversal disruptorfeature extractor
发现论文，激发创造
  • DeepFeatureX Net: 基于深度特征提取网络的合成图像与真实图像区分

    基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。

    Apr, 2024

  • UCF: 揭示通用深度伪造检测的共同特征

    本篇论文通过「分离」视觉信息的方法，提出了一种有效解决深度超假的问题的框架，着重考虑了针对具体伪造方法（网络结构、训练数据等）的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。

    Apr, 2023

  • 深度伪造检测的对抗威胁：实用角度分析

    本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究，旨在提高其鲁棒性，包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估，并证明了它们可以很容易地被跨模型攻击所绕过。

    Nov, 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

  • 基于精细特征的面部伪造深伪视频检测

    本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。

    Oct, 2023

  • 鲁棒性可转移特征提取器：学习防御白盒对抗下的预训练网络

    本研究提出了一种名为 Robust Transferable Feature Extractor（RTFE）的深度学习先处理机制，该机制可在多个独立训练的分类器中提供对抗鲁棒性，并且可以为不同数据集独立训练的模型提供一次性的对抗鲁棒性。

    Sep, 2022

  • 深度假象图像检测在威胁环境不断演化中的近期进展分析

    深度伪造检测与防御研究方向的关键词有：深度伪造、检测、防御、生成模型和对抗攻击。

    Apr, 2024

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023

  • 基于面部特征引导适应的视频深度伪造检测的进一步普适化

    通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性，并取得了显著的性能提升。

    Apr, 2024

  • 多重注意力深度伪造检测

    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