我们提出了一种新颖的方法,通过语义解耦来检测 DeepFakes,提高检测的泛化能力。
Jun, 2024
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
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
我们提出了一种基于帧不一致性的检测方法,通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性,实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。
Nov, 2023
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
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
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
该文研究了多样本领域深度伪造检测模型的泛化能力,提出了一个广义多场景深伪检测框架,并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。
通过同时考虑特征、损失和优化方面,我们提出了第一个在深度假像检测中解决公平性泛化问题的方法,采用解缠学习提取人口统计和领域无关的伪造特征,并将它们融合在一起,以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明了我们方法在保持公平性方面的有效性,超过了现有技术水平。
Feb, 2024