Jul, 2023

使用生成卷积视觉转换器进行 Deepfake 视频检测

PDF
TL;DR本文提出了一个名为 “GenConViT” 的模型，该模型结合了 ConvNeXt 和 Swin Transformer 模型进行特征提取，并利用自编码器和变分自编码器从潜在数据分布中进行学习，从而在检测各种深度伪造视频方面取得了较好的性能。GenConViT 模型的平均准确度为 95.8％，测试数据集上的 AUC 值为 99.3％，能够有效地解决深度伪造检测中的泛化性挑战。
deepfakesgenerative convolutional vision transformerautoencodervariational autoencoderdeepfake video detection
发现论文，激发创造
  • 卷积视觉转换器用于深度伪造视频检测

    本文提出了一种使用卷积视觉 Transformer 及卷积神经网络架构用于检测 Deepfakes 的方法，并在 DeepFake Detection Challenge Dataset 上进行了实验，取得了 91.5％的准确度、0.91 的 AUC 值和 0.32 的损失值。

    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

  • 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

  • 关于视觉变换器用于深假检测的及时调查

    近年来，深度伪造技术的快速发展在降低伪造成本和提高质量的同时引发了关于侵犯个人权利、国家安全威胁和公共安全风险等紧迫问题。本文综述了基于 Vision Transformer（ViT）的深度伪造检测模型，并将其分为独立的、顺序的和并行的架构。此外，它简明扼要地描绘了每个模型的结构和特点，通过分析现有研究和探讨未来发展方向，旨在为研究人员提供对 ViT 在深度伪造检测中关键作用的细致理解，为学术和实践领域提供有价值的参考。

    May, 2024

  • 深度卷积池化变压器用于深度伪造检测

    该论文提出了一种基于卷积变换器的深度模型，旨在提高 Deepfake 检测性能，通过整合图片的局部和全局信息，采用卷积池化和再关注机制来增强特征提取、提升效率，并利用图像关键帧进行模型训练以提高性能，提出的解决方案在多个 Deepfake 基准数据集上均优于现有的基准算法。

    Sep, 2022

  • 基于视频 Transformer 的 Deepfake 检测与增量学习

    本文提出了一种基于增量学习的新型视频转换器，通过使用三维脸部重建方法来生成来自单个输入脸部图像的 UV 纹理，提取图像特征，并在较少的数据上精调该模型以实现更好的深度欺骗检测表现。

    Aug, 2021

  • 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

  • 自监督图转换器用于深度伪造检测

    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

  • 使用卷积神经网络和胶囊网络进行可解释的深度伪造视频检测

    通过使用卷积神经网络和胶囊网络与长短期记忆，利用可解释的人工智能来区分深度伪造生成的帧和原始帧，以实现我们的目标，并促进透明的人工智能关系并提供真实场景的实际示例。

    Apr, 2024

  • 通过分析卷积痕迹进行 DeepFake 检测

    该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象，提出新的检测方法。提出的该算法基于期望最大化算法，提取了一组特定的局部特征来建模卷积生成过程，经实验验证有效地区分了不同的架构和相应的生成过程。

    Apr, 2020