Jul, 2023

RetouchingFFHQ：一种用于细粒度人脸修饰检测的大规模数据集

PDF
TL;DR本研究提出了一个大规模的精细化人脸修饰数据集 RetouchingFFHQ，其中包含超过 50 万幅条件化修饰的图像。通过包含四种典型的人脸修饰操作和不同的修饰水平，将二元人脸修饰检测扩展为多粒度、多修饰类型和多修饰水平的问题。此外，我们提出了一种多粒度注意力模块 (MAM) 作为 CNN 主干的插件，以增强跨尺度的表示学习。通过对 RetouchingFFHQ 数据集进行广泛的实验，包括使用不同基线方法和我们提出的方法，在人脸修饰检测方面展现了良好的性能。在提出的新数据集的基础上，我们相信未来有很大的潜力来解决现实世界中细粒度的人脸修饰检测问题。
face retouching filtersdeceptive advertisingface retouching datasetsretouchingffhqfine-grained face retouching detection
发现论文，激发创造
  • 基于人口统计学的面部润饰检测：子类监督稀疏自编码器

    本文介绍了一个新的多族裔头像数据集，并提出了一种半监督自编码器方法，用于改善数字照片修饰检测的分类，结果表明，测试图像的族裔 demography 对修饰检测的准确性有很大的影响。

    Sep, 2017

  • FRRffusion：基于扩散的人脸修饰还原中的真实性揭示

    通过构建深度 FRR 模型，本研究针对面部修饰逆向问题提出了一种新颖的基于扩散的 FRR 方法（FRRffusion），通过两个阶段的网络生成低分辨率人脸的基本轮廓和高分辨率的面部细节，其在定量和定性评估中都表现出优越性能。

    May, 2024

  • Face2Face：基于标签的面部修饰恢复

    通过提出的 Face2Face 框架，包括面部修饰检测器、基于预测修饰标签的图像修复模型 FaceR 和用于处理扩散模型引起的色彩偏移的分层自适应实例归一化（H-AdaIN）模块，来解决面部修饰还原问题，并通过实验验证了我们的框架和每个模块的有效性。

    Apr, 2024

  • EFHQ：多用途 ExtremePose-Face-HQ 数据集

    为了解决面部数据集在处理侧面或俯仰面时深度学习模型性能下降的问题，本研究引入了一种名为 EFHQ 的新型数据集，包含了高达 45 万张在极端角度拍摄的高质量面部图像，通过训练 EFHQ 可以帮助模型在不同角度上得到良好的泛化性能，并提供了具有挑战性的交叉视角人脸验证基准，激发了在野外环境中严重姿态条件下的人脸识别研究。

    Dec, 2023

  • PPR10K：一个具备人物区域掩码和组级别一致性的大规模肖像照片修复数据集

    本文介绍了特殊的肖像照片修饰任务及其对应的数据集 PPR10K，该数据集旨在进行自动肖像照片优化方法研究，同时提出了一些有效的方法来解决优化问题。

    May, 2021

  • FaceForensics：一种用于在人脸中检测伪造的大规模视频数据集

    通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

    Mar, 2018

  • 曝光：白盒照片后处理框架

    本研究提出了一种基于深度学习的自动修饰系统，该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作，从而避免了获取成对的训练数据。与其他深度学习系统不同的是，该系统提供了可理解的修饰结果，而不仅仅是黑盒子结果，定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。

    Sep, 2017

  • 可控和渐进的基于物理建模的面部瑕疵修饰

    基于物理建模，我们提出了一种可控和渐进的面部修饰方法，采用高斯函数的叠加来近似皮肤表面散射在分解的黑色素和血红蛋白颜色空间中，实现对面部瑕疵的逼真和渐进的修饰，实验结果基于实际临床数据表明该方法能逼真模拟瑕疵的渐进恢复过程。

    Jun, 2024

  • FaceForensics++: 检测篡改的面部图像学习

    本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

    Jan, 2019

  • 关于检测基于 GAN 及修整技术的合成变化

    本文提出了使用卷积神经网络的监督深度学习算法来检测人工合成图像，并在 ND-IIITD 数据集上获得了 99.65％的准确度，对于区分真实图像和使用生成对抗网络（GANs）生成的图像的准确度达到了 99.83％。

    Jan, 2019