DeepfakeBench:深度伪造检测的全面基准测试
本文提出了一种新的数据集WildDeepfake,用于支持深度学习的DeepFake检测器在网络上对真实世界中的DeepFakes进行更好地检测,通过对其进行多维度评估,展示了其在检测性能方面的优越性,并提出了基于注意力机制的ADDNets以便更好地实现检测。
Jan, 2021
在这篇论文中,我们调查了超过318篇研究论文,从DeepFake生成、检测以及逃避检测等方面,提供了全面的概述和详细分析,包括各种DeepFake生成方法和各种DeepFake检测方法的分类,同时展示了DeepFake生成和DeepFake检测之间的交互作用,并设计了交互式图表以探索研究人员自己在流行的DeepFake生成器或检测器上的兴趣。
Feb, 2021
本研究旨在建立一个全面且一致的基准,开发一个可重复的评估流程,通过对一系列检测方法的性能进行测量,建立基准,比较深度伪造检测方法并测量进展。研究采用超过13种不同方法生成的操纵样本集,实现并评估了11种流行的检测方法(9种算法),并使用6个公正实用的评估指标进行评估。最终,训练了92个模型并进行了644个实验,结果以及共享的数据和评估方法构成了一项用于比较深度伪造检测方法并衡量进展的基准。
Mar, 2022
本文提出了第一种参数高效调节 deepfake 检测模型的方法 DeepFake-Adapter,该方法采用适配器模块从大型预训练 Vision Transformers 中提取高级语义,以有效且高效地帮助 deepfake 检测。通过在 MLP 层旁插入具有全局感知的 Englobed Adapters 和跨越 ViT 特征的局部感知的空间 Adapter,该方法可以将先前训练好的 Vision Transformers 的高级语义与本地和全局低级别伪造的 deepfake 数据的降噪信息相结合,从而提高 deepfake 的准确度和泛化能力。
Jun, 2023
本研究通过对监督和自监督模型进行全面的比较分析,评估了八种监督深度学习架构和两种基于转化器的使用自监督策略(DINO,CLIP)进行预训练的模型在四个基准数据集上的性能,同时还研究了模型大小和性能之间的权衡,以提供关于不同深度学习架构、训练策略和深度伪造检测基准的效果的见解,促进更准确可靠的深度伪造检测系统的发展,从而在减轻深伪造对个人和社会的有害影响方面起到重要作用。
Aug, 2023
该研究纸介绍了一个深度伪造数据库(DFLIP-3K),它包含了大约3K个生成模型的约300K个多样化的深度伪造样本,并收集了约190K个这些伪造样本的语言特征,旨在促进深度伪造检测的语言建模、模型识别和提示预测等领域的研究和发展。
Jan, 2024
本研究对最新的深度伪造检测器进行了广泛综述和分析,评估了它们在几个关键标准下的表现,并将它们分类成四个高水平组和十三个细粒度子组,进一步提供了关于影响检测器有效性的因素的深入实际见解。通过考察16个主要检测器在多种标准攻击场景下的普适性,包括黑盒、白盒和灰盒设置,系统性的分析和实验为对抗各种攻击场景的深度伪造检测器的研究奠定了基础,并为制定更积极的防御策略提供了启示。
Jan, 2024
对深度伪造生成和检测的最新发展进行了综合回顾和分析,并讨论了该领域的当前状态,主要集中在深度伪造生成和检测技术框架的发展,以及人脸交换、脸部再现、说话人脸生成和面部属性编辑等主流深度伪造领域的研究,并评估了各领域中的代表性方法和最新的研究成果,最后分析了该领域的挑战与未来研究方向。
Mar, 2024