Aug, 2023

通过对比学习和无监督聚类重新思考图像伪造检测

PDF
TL;DR图像伪造检测的新方法 FOrensic ContrAstive cLustering (FOCAL) 基于对比学习和无监督聚类，通过像素级对比学习指导高级取证特征提取，使用实时无监督聚类算法将学习到的特征聚类为伪造 / 原始类别，并通过特征级连接进一步提高检测性能，对六个公共测试数据集进行广泛实验证明了 FOCAL 明显优于现有竞争算法。
image forgery detectionforensic contrastive clusteringcontrastive learningunsupervised clusteringdetection performance
发现论文，激发创造
  • 面部微表情伪造检测与分割的协同特征学习

    本文提出了一种基于协同特征学习的方法，用于同时检测图像篡改和分割篡改组件，此方法可以更好地捕捉人脸区域的人工痕迹，并且在检测和分割方面均优于现有方法。

    Apr, 2023

  • 探索多视角像素对比度的通用和鲁棒图像伪造定位

    提出了一种多视角像素对比算法（MPC）来进行图像伪造定位，通过预训练主干网络和微调定位头，增强像素定位器，并在不同规模的训练数据集上进行广泛实验证明该方法具有更高的泛化性能和对后期处理的鲁棒性。

    Jun, 2024

  • 通用人脸伪造检测的对比学习

    文章提出了一种名为 Dual Contrastive Learning (DCL) 的新颖人脸伪造检测框架，该框架结合了硬样本选择策略和不同粒度的对比学习，并通过构建正负对数据从而学习通用特征表示。实验结果表明了我们方法的泛化性能超越了现有技术水平。

    Dec, 2021

  • 面部代表性伪造挖掘用于伪造人脸检测

    本论文提出一种基于注意力机制的数据增广框架，用于改善卷积神经网络在伪造人脸检测中关注面部有限区域的现象，通过跟踪和遮蔽 Top-N 敏感面部区域，鼓励检测器深入挖掘以前忽略的区域，从而达到指出不同操纵技术生成的伪造面孔的表现最好的检测器训练效果，同时我们的方法能够轻松集成到各种 CNN 模型中。

    Apr, 2021

  • 对比多人脸鉴定：一种用于多人脸伪造检测的端到端双粒度对比学习方法

    本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。

    Aug, 2023

  • ForensicTransfer：弱监督领域自适应用于伪造检测

    在图像伪造不断更新的现今，卷积神经网络和自编码结构的 Forensic-Transfer 方法可以提高图像伪造检测的可迁移性并显著提高性能。

    Dec, 2018

  • 单中心损失监督的面部伪造检测中的频率感知辨别特征学习

    本文提出了一种新颖的、面向频率的、区分特征学习框架，包括单中心损失和自适应频率特征生成模块，可以有效地检测和抵御面部伪造攻击。在 FF ++ 数据集上的实验结果表明了该框架的有效性和优越性。

    Mar, 2021

  • 利用 GAN 和单类分类器进行卫星图像伪造检测和定位

    本论文提出一种卫星图像伪造检测和定位算法，使用生成对抗网络（GAN）学习卫星图像的特征表征，并将一类支持向量机（SVM）用于训练和检测图像伪造。

    Feb, 2018

  • 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

  • 使用 SOTA 图像分类深度学习方法进行伪造图像检测及误差级别分析的图像取证研究

    本文探讨如何使用深度学习和图像取证技术检测图像伪造，并使用 VGG-19、Inception-V3、ResNet-152-V2、XceptionNet 和 EfficientNet-V2L 等模型进行分类。

    Nov, 2022