Jun, 2023

检测任何 Deepfakes：分割任何物体相遇面部伪造检测和定位

PDF
TL;DR基于 Segment Anything Model 的 Detect Any Deepfakes (DADF)，通过 Reconstruction Guided Attention 模块优化了端到端的伪造检测和定位，在三个基准数据集上都取得了优秀的表现。
computer visionface forgery detectionsegment anything modeldetect any deepfakesreconstruction guided attention
发现论文，激发创造
  • 深层伪造潜入：检测视频中的伪造片段

    本文提出了一种新型深度伪造检测方法，利用 Vision Transformer、Scaling and Shifting pretraining 以及 Timeseries Transformer 分割视频，实现对视频帧的完整性检测，此方法能够高效地检测现有的深度伪造技术。

    May, 2023

  • OpenForensics 大规模人脸伪造检测与野外分割数据集

    本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

    Jul, 2021

  • DA-HFNet：基于双重注意力的渐进式细粒度伪造图像检测和定位

    使用双重关注机制及多分支交互网络，在不同尺度上捕捉伪造图像的伪造特征，有效提高伪造图像检测和定位的性能。

    Jun, 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

  • 面部反欺骗的细粒度标注

    我们提出了一种用于人脸反欺诈的细粒度注释方法，并引入多通道区域交换增强以改善现有方法在数据多样性和过拟合方面存在的问题。实验证明，我们的方法在数据集内和数据集间评估中均优于现有的最先进方法。

    Oct, 2023

  • 黑盒定向对抗攻击 Segment Anything (SAM)

    该研究旨在对 SAM 进行有针对性的对抗攻击，提出了一种仅攻击图像编码器的简单且有效的方法，并提出了一种新的正则化损失以增强不同模型之间的特征传递性，通过增加对随机自然图像的特征占优势来进行黑盒对抗攻击。

    Oct, 2023

  • SAM-Adapter：在伪装、阴影等场景下适应 SAM 的分割模型

    通过使用简单而有效的适配器将特定领域信息或视觉提示集成到分割网络中，我们的实验表明，SAM-Adapter 可以显着提高 SAM 在具有挑战性的任务中的性能，并且在我们测试的任务中甚至可以胜过专门的网络模型，并达到最先进的性能：伪装目标检测和阴影检测。

    Apr, 2023

  • 定位和验证：用于改进深伪造检测的双流网络

    通过创新的双流网络、多功能模块和半监督补丁相似性学习策略，本研究在深伪检测领域取得了显著的改进，通过六个基准测试表明具有较强的鲁棒性和普适性，并在深伪检测挑战预览数据集上将帧级 AUC 从 0.797 提高至 0.835，将 CelebDF_v1 数据集上的视频级 AUC 从 0.811 提高至 0.847。

    Sep, 2023

  • SamLP: 一个定制的切片任意物体模型用于车牌检测

    本文介绍了基于深度学习的车牌检测方法，利用基础模型和低秩适应策略对车牌检测任务进行了改进，并实现了具有较好检测性能和少样本学习能力的车牌检测器。

    Jan, 2024

  • SAM3D：基于 Segment Anything 模型的零样本三维物体检测

    本研究旨在将基础模型的能力发挥在 3D 视觉任务中，在通过 SAM 提出的 BEV 流程管道构建的基础上，通过提高零样例能力实现 3D 物体检测，将其应用于 Waymo 开放数据集，展示其可行性。

    Jun, 2023