基于块状方法的遮挡图像深度伪造检测
这篇论文探讨了现代深度学习网络在检测佩戴口罩的 Deepfake 技术方面的性能,并提出了两种不同的检测方法:面部裁剪和面部贴片。实验表明,面部裁剪比面部贴片更为有效,可用于识别现实世界中带口罩的人脸 Deepfake。
Feb, 2022
该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象,提出新的检测方法。提出的该算法基于期望最大化算法,提取了一组特定的局部特征来建模卷积生成过程,经实验验证有效地区分了不同的架构和相应的生成过程。
Apr, 2020
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
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
通过从离散余弦变换 (DCT) 中提取 Beta 分量并将其用作标准分类器的输入,从而快速识别合成内容并确定视频的性质,该方法在福全学的角度上具有又快又可解释性,不需要太多计算力。
Oct, 2023
本文重点研究了现有 DeepFake 检测框架的局限性和缺陷,通过现有方法和数据集的定量和定性分析,发现 deepfake 数据集过度扩充,容易导致过度拟合,而提出的数据增强方法(面部切除)能够成功改善数据变化并缓解过度拟合问题。
Feb, 2021
本研究提出了一个名为 DeepFD 的深度伪造鉴别器,采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像,实验结果表明,DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。
Sep, 2018
深度伪造生成对场景整体几何和采集过程造成了特征变化,通过分析图像中表面的特征可生成一个可用于深度伪造检测的描述符,称为 SurFake。在各种深度伪造和深度学习模型上进行的实验结果证实了该特征可用于区分原始图像和经过篡改的图像,并且实验证明结合视觉数据可提高检测准确性。
Oct, 2023
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