Jun, 2023

超越检测：深度伪造图像视觉真实度评估

PDF
TL;DR本文提出了一种有效的方法来评估 DeepFake 视频的视觉真实感，并详细介绍了两个卷积神经网络模型的数据预处理和训练程序，这些模型通过从帧序列中提取的特征来预测 DeepFake 视频的 Mean Opinion Scores，并在 DeepFake Game Competition (DFGC) 2022 评估中获得了第三名。
deepfakeconvolutional neural networkmean opinion scoresvisual realism assessmentartificial intelligence
发现论文，激发创造
  • 审判法院深度伪造检测综述

    本文简要介绍了图像处理、深度伪造技术以及用于检测这些技术的方法和数据集。

    May, 2022

  • 利用深度学习方法进行深度伪造检测：综述

    本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。

    Apr, 2023

  • 深度伪造检测在实际场景中的评估框架

    提出了一个更可靠的评估框架来评估在更现实的情境下学习型 deepfake 检测器的性能，并量化其对不同处理操作的鲁棒性，同时设计了一个基于真实处理操作驱动的随机退化数据增强方法，显著提高了 deepfake 检测器的鲁棒性。

    Apr, 2023

  • 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

  • 深度伪造算法的比较分析

    通过综述现有的 deepfake 生成和检测技术，本文分析了基于深度学习的 deepfake 创建方法和检测技术，并讨论了当前的 deepfake 检测方法的局限性和挑战，以及未来的研究方向，强调了对 deepfake 检测技术持续研究和发展的重要性，以应对 deepfake 对社会的负面影响，并确保数字视觉媒体的完整性。

    Sep, 2023

  • 一款探测器，称霸所有：通向通用深度伪装攻击检测框架

    通过引入卷积 LSTM 残差网络（CLRNet）并探索深度伪造（DeepFake）中的时空信息，我们提出了一种更通用的方法来检测由多种方法产生的深度伪造，包括 DeepFake-in-the-Wild（DFW），此方法在多个基准数据集上表现良好并进行了评估。

    May, 2021

  • Deepfakes 生成和检测：现状、挑战、对策和发展方向

    本文综述了现有工具和基于机器学习的方法，用于深度伪造（Deepfake）的生成和检测，并讨论了目前的公共数据集和对技术进行性能评估的关键标准，强调了未来研究的方向。

    Feb, 2021

  • 将 EfficientNet 和 Vision Transformers 相结合用于视频深度伪造检测

    本文旨在解决视频深度伪造检测的问题，特别注重于面部深度伪造，他们利用效率较高的特征提取器与各种 Vision Transformer 结合进行实验，得出的最佳模型 AUC 为 0.951，F1 得分为 88.0％.

    Jul, 2021

  • 深度伪造检测的稳健性与泛化性：扩散模型研究

    通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。

    Sep, 2023

  • 卷积神经网络与 Transformer 在深度学习中的 Deepfake 侦测

    本文研究深度学习架构 (CNNs 和 Transformers) 的演进，设计和开发了深度伪造检测模型，并在深度伪造数据集上进行了实验，取得了较高的准确率和 AUC，并分析了不同深度伪造数据集之间的关系。

    Apr, 2023