Aug, 2023

通过历史分布保持进行持续脸部伪造检测

PDF
TL;DR本文提出了一种历史分布保持（HDP）框架，通过使用通用对抗扰动（UAP）模拟历史伪造分布，以及知识蒸馏来维持真实面孔在不同模型中的分布变化，从而有效学习新的伪造攻击而不遗忘先前的攻击，并构建了一个新的连续面部伪造检测（CFFD）基准，广泛的实验证明了该方法优于现有的竞争对手。
face forgery techniquesface forgery detectioncontinual face forgery detectionhistorical distribution preservingbenchmark
发现论文，激发创造
  • 探索基于决策的黑盒攻击对人脸伪造检测的影响

    利用决策导向攻击和频率线索，我们提出了一种新的人脸伪造攻击方法，具有高查询效率和保证图像质量，在 FaceForensics++、CelebDF 和工业 API 上实现了攻击性能的最新突破，同时揭示了人脸伪造检测器的安全问题。

    Oct, 2023

  • CMFDFormer: 基于 Transformer 的连续学习的复制 - 移动伪造检测

    提出了一种名为 CMFDFormer 的变压器风格的复制移动伪造检测网络，并提供了一种新颖的 PCSD（Pooled Cube and Strip Distillation）连续学习框架来帮助 CMFDFormer 处理新任务。通过在综合分析 CNN 风格和 MLP 风格骨干网络的基础上采用变压器风格网络作为骨干网络，并使用基于自相关计算、分层特征融合、多尺度循环全连接块和掩码重建块构建 PHD 网络，实现不同风格的特征提取器的分层多尺度信息提取，从而达到可比较的性能。此外，提出了一种 PCSD 连续学习框架，以改善伪造的可检测性并在处理新任务时避免灾难性遗忘，该框架限制了 PHD 网络的中间特征，并利用了立方体池和条带池两者的优势。针对公开可用数据集进行了大量实验，证明了 CMFDFormer 的良好性能和 PCSD 连续学习框架的有效性。

    Nov, 2023

  • 关注一致性改进的蒙面频率造假特征表示以实现人脸伪造检测的普适性

    通过提出一种新的注意一致性加工频伪造表示模型以实现人脸伪造检测算法的泛化能力，本文在多个公共人脸伪造数据集上的实验证明了该方法相对于现有技术的卓越性能。

    Jul, 2023

  • 探索基于频率对抗性攻击的人脸造假检测

    本文提出了一种基于离散余弦变换（DCT）的频率对抗攻击方法，以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域，我们的方法比空间域中的现有对抗攻击更为难以察觉，并且不会降低原始图像的视觉质量。在实验中，我们发现该方法有效地欺骗了空间域和最先进的频率域检测器，并增强了面部伪造检测器之间的可靠性。

    Mar, 2022

  • DFIL：利用领域不变伪造线索进行 Deepfake 增量学习

    通过增量学习和领域不变表示，以及基于多角度知识蒸馏方法的特征级和标签级正则化，我们的研究提出了一种新型增强型 deepfake 检测模型，通过选择中心和困难样本来更新回放集，并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。

    Sep, 2023

  • 面向通用视觉语言人脸伪造检测

    通过引入细粒度提示和粗细联合训练框架，提出了一种名为视觉语言人脸伪造检测（VLFFD）的新范式，以解决针对深度伪造的检测模型缺乏语义信息和解释性的问题，并在多个具有挑战性的基准测试中证明了该方法对现有的检测模型有所改进。

    Jul, 2023

  • 超越先前的造假知識：挖掘關鍵線索進行人臉整體造假檢測

    本文介绍了一种新的关键伪造挖掘（CFM）框架，其中包含多种骨干，在提高它们的泛化性能和鲁棒性能方面拥有灵活性，以此解决面对脸部伪造检测的问题。通过实例和局部相似性感知损失，细粒度三元组和增强数据，精细关系学习原型，以及新颖的渐进式学习控制器，该方法在各种挑战性的评估设置下具有最先进的伪造检测性能。

    Apr, 2023

  • 检测和持续学习新的人脸展示攻击

    本文介绍了一种使用经验回放的深度学习方法，以检测面部攻击中从未遇到过的新类型攻击，并自适应地识别这些攻击类型，证明其在两个基准数据集和一个新引入的数据集上的有效性。

    Aug, 2021

  • 频率思维：通过挖掘频率感知线索进行面部伪造检测

    提出了一种新颖的基于频率的人脸伪造检测网络 F3-Net，通过感知频率分解图像分量和局部频率统计信息相结合的策略深度挖掘伪造模式，能够有效应对压缩图像和视频中的人脸伪造问题。在 FaceForensics++ 数据集上，F3-Net 在所有压缩质量下均显著优于同类方法。

    Jul, 2020

  • DeepFidelity：深伪造：感知伪造保真度评估用于深度假脸检测

    DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

    Dec, 2023