ICCVJul, 2023

可控的引导空间用于具有普遍性的人脸伪造检测

PDF
TL;DR本研究提出了一种可控的指导空间（GS）方法来增强不同伪造领域的区分度，从而增加特征的伪造相关性，改善泛化效果，并通过解耦模块削弱领域之间的伪造无关关联干扰。通过根据邻域内相同领域特征的聚类程度对决策边界流形进行调整来进一步提高判别能力。在多个领域内和跨域设置下进行的大量实验证实了我们方法达到了最先进的泛化效果。
face forgery detectiongeneralizationcontrollable guide-spaceforgery domainsstate-of-the-art generalization
发现论文，激发创造
  • 基于单侧域泛化的人脸防欺诈

    提出了一种单边领域泛化（SSDG）框架，通过学习可推广的特征空间并使用非对称三元组损失来约束从不同域中生成的假面孔的分布，从而提高了面部反欺骗的泛化能力，并使用端到端的训练方式，通过实验证明该方法在四个公共数据库上优于现有的方法。

    Apr, 2020

  • 面部反欺诈的特征生成与假设验证

    本文提出了一种特征生成和假设验证框架来缓解领域泛化和表示解缠问题，该框架引入了生成真实人脸和已知攻击假设的特征生成网络，进而应用两个假设验证模块来判断输入人脸是否来自真人脸空间和真人脸分布，实验结果表明我们的方法取得了有前途的结果，超过了广泛公开数据集上最先进的方法。

    Dec, 2021

  • 重新思考面部防欺诈领域通用性问题：可分性和对齐

    本文研究人脸反欺诈（FAS）模型在领域差异上的泛化问题，提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略，即 SA-FAS，并在跨领域 FAS 数据集上展示其卓越性能。

    Mar, 2023

  • 跨域人脸反欺诈的深度转移

    本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法，实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。

    Jan, 2019

  • 选择性域不变特征用于可推广的深假识别

    提出了一种名为 Selective Domain-Invariant Feature (SDIF) 的新型框架，通过融合内容特征和样式来减少对面部伪造的敏感性，并使用动态特征提取模块生成具有多样样式的特征，最终使用领域分离策略来帮助区分真实和伪造的面部。在现有基准和提案中的定性和定量结果证明了我们方法的有效性。

    Mar, 2024

  • 超越造假特异性的潜在空间增强用于通用深度伪造检测

    通过扩充潜在空间中的伪造特征的变化和模拟，在改善深假检测器过拟合的同时，实现了更加泛化的决策边界，从而使得所提出的方法在多个广泛使用的基准测试中超越了现有技术。

    Nov, 2023

  • GM-DF：广义多场景深假检测

    该文研究了多样本领域深度伪造检测模型的泛化能力，提出了一个广义多场景深伪检测框架，并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。

    Jun, 2024

  • 细粒度元人脸防欺骗的正则化

    本文提出了一种基于元学习的面部防欺诈域泛化方法，该方法以细粒度学习策略和领域知识正则化作为核心，以优化元学习过程并提高面部防欺诈模型的泛化能力，实验结果表明其有效性。

    Nov, 2019

  • 面部反欺诈的实例感知域泛化

    本文提出了一种基于实例感知域泛化的人脸反欺诈方法，通过消除实例特定的样式来学习通用特征，同时使用动态内核生成器和分类样式组装来进一步促进对抗攻击的成功检测。

    Apr, 2023

  • 无约束人脸识别的可控引导式脸部合成

    提出了一种可控人脸合成模型，通过在样式潜空间中模拟目标数据集的分布，实现在非受限环境下的面部识别（FR）任务，并可指导合成图像的 FR 模型训练，获得了在 IJB-B、IJB-C、TinyFace 和 IJB-S 等非受限测试基准上的显著性能提升（+5.76% Rank1）

    Jul, 2022