Apr, 2023

超越先前的造假知識：挖掘關鍵線索進行人臉整體造假檢測

PDF
TL;DR本文介绍了一种新的关键伪造挖掘（CFM）框架，其中包含多种骨干，在提高它们的泛化性能和鲁棒性能方面拥有灵活性，以此解决面对脸部伪造检测的问题。通过实例和局部相似性感知损失，细粒度三元组和增强数据，精细关系学习原型，以及新颖的渐进式学习控制器，该方法在各种挑战性的评估设置下具有最先进的伪造检测性能。
face forgery detectioncritical forgery miningrobustnessgeneralization capabilityforgery detection performance
发现论文，激发创造
  • 频率思维：通过挖掘频率感知线索进行面部伪造检测

    提出了一种新颖的基于频率的人脸伪造检测网络 F3-Net，通过感知频率分解图像分量和局部频率统计信息相结合的策略深度挖掘伪造模式，能够有效应对压缩图像和视频中的人脸伪造问题。在 FaceForensics++ 数据集上，F3-Net 在所有压缩质量下均显著优于同类方法。

    Jul, 2020

  • 关注一致性改进的蒙面频率造假特征表示以实现人脸伪造检测的普适性

    通过提出一种新的注意一致性加工频伪造表示模型以实现人脸伪造检测算法的泛化能力，本文在多个公共人脸伪造数据集上的实验证明了该方法相对于现有技术的卓越性能。

    Jul, 2023

  • 对比多人脸鉴定：一种用于多人脸伪造检测的端到端双粒度对比学习方法

    本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。

    Aug, 2023

  • 利用高频特征进行人脸伪造检测的泛化

    这篇论文提出了一种基于 CNN 的人脸伪造检测方法，利用高频噪声、多尺度特征提取、残差 - 引导空间注意力和跨模态注意力等功能模块提高了交叉数据集下的检测性能。

    Mar, 2021

  • 利用渐进增强学习技术探测细粒度人脸伪造线索

    使用面部假冒技术制造的可信度问题日益增加，提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题，实验结果表明，该方法优于现有的面部伪造检测方法。

    Dec, 2021

  • 利用面部关系与特征聚合进行多人脸伪造检测

    本研究提出了一个新的框架，专门针对多脸伪造检测，填补了当前研究中的重要空白。该框架主要包括两个模块：（一）面部关系学习模块，为图像中的每个面生成可区分的局部特征；（二）全局特征聚合模块，利用全局和局部信息之间的相互约束来提高伪造检测的准确性。我们在两个公开的多脸伪造数据集上的实验结果表明，所提出的方法在多脸伪造检测场景中达到了最先进的性能。

    Oct, 2023

  • 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

  • 面部代表性伪造挖掘用于伪造人脸检测

    本论文提出一种基于注意力机制的数据增广框架，用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象，通过跟踪和遮蔽 Top-N 敏感面部区域，鼓励检测器深入挖掘以前忽略的区域，从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果，同时我们的方法能够轻松集成到各种 CNN 模型中。

    Apr, 2021

  • 通过对比学习和无监督聚类重新思考图像伪造检测

    图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。

    Aug, 2023

  • 揭示欺诈行为：深度伪造检测中的更多伪造线索揭示

    通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

    Mar, 2024