Jul, 2023

通过主要区域正则化实现通用深度伪造检测

PDF
TL;DR通过从新的正则化角度增强一种去除主要区域的方法来增强现有的深伪造检测方法的泛化能力，并将其无缝整合到不同的主干网络中。
deepfake detection methodsgeneralization capabilityprimary region removalstatic localizationdynamic exploitation
发现论文，激发创造
  • DeepFakes 演进：面部区域分析与虚假检测性能

    该研究对第一代和第二代 DeepFake 进行了详尽的面部区域和伪造检测性能分析，在最新的 DeepFake 数据库的第二代中，即使是最强大的最先进的伪造检测器也无法达到理想的结果，证明了进一步研究开发更精密的伪造检测器的必要性。

    Apr, 2020

  • 解决 DeepFake 问题：使用动态人脸增强改善 DeepFake 检测的分析

    本文重点研究了现有 DeepFake 检测框架的局限性和缺陷，通过现有方法和数据集的定量和定性分析，发现 deepfake 数据集过度扩充，容易导致过度拟合，而提出的数据增强方法（面部切除）能够成功改善数据变化并缓解过度拟合问题。

    Feb, 2021

  • 提高深假脸检测器的跨数据集泛化能力

    本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

    Apr, 2022

  • 基于面部特征引导适应的视频深度伪造检测的进一步普适化

    通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性，并取得了显著的性能提升。

    Apr, 2024

  • 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

  • 扩散生成图像中的弱监督深度伪造定位

    通过使用基于解释、局部分数或注意机制的三种方法，并利用 Xception 网络作为共同的骨干架构，我们将任务定为弱监督定位问题，并在方法选择、监督类型、数据集和生成器等方面进行了仔细分析；我们的研究通过构建数据集，其中只有一个组件发生变化，证明了弱监督定位是可行的；而基于局部分数的最佳检测方法对于较松的监督比对于数据集或生成器的不匹配更不敏感。

    Nov, 2023

  • 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

  • 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

  • 基于面部与其上下文不一致性的 DeepFake 检测

    本研究提出了一种用于在单张图像中检测人脸交换和其他身份欺诈的方法，采用包含面部和背景的两个网络来实现人脸识别和背景识别以检测图像中不一致的特征，这一方法提高了通常用于检测虚假图像的传统分类器的检测信号，并在 FaceForensics++，Celeb-DF-v2 和 DFDC，等面部操作检测基准测试中取得了最新的成果.

    Aug, 2020

  • 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