Sep, 2023

深度伪造检测的稳健性与泛化性：扩散模型研究

PDF
TL;DR通过对深度伪造图像的产生和检测进行深入研究，本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中，我们创建了一个名为 DeepFakeFace (DFF) 的数据集，用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估，并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现，不同的深度伪造方法和图像变化产生了多种结果，突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。
发现论文，激发创造
  • 扩散深度伪造

    通过生成式 AI 和扩散模型，我们引入了两个广泛的生成伪造数据集，用于测试当前深伪造检测器的脆弱性，并提出了增强训练数据多样性和动量困难提升策略来改进模型的普适性。通过全面评估，我们的模型优化方法明显优于以前的替代方案。

    Apr, 2024

  • 关于深度伪造检测器对去噪扩散模型攻击的漏洞

    本研究探讨了单图 Deepfake 检测器对最新生成方法之一，去噪扩散模型（DDM）的攻击的脆弱性，并在 FaceForensics ++ 数据集上进行了测试，结果表明单个去噪扩散步骤可以显著降低所有经过测试检测器的准确性而不引入明显的视觉变化

    Jul, 2023

  • 深假视频检测器的普适性研究

    研究了 deepfake 检测器的泛化能力，发现现有模型难以适应未经训练的 deepfakes 数据集，但鉴于它们普遍学习合成方法的特定属性并难以提取区分特征，发现有神经元对已见和未见数据集都起到检测作用，为实现零样本泛化能力指明了可能的方向。

    Aug, 2023

  • 深度假象图像检测在威胁环境不断演化中的近期进展分析

    深度伪造检测与防御研究方向的关键词有：深度伪造、检测、防御、生成模型和对抗攻击。

    Apr, 2024

  • DiffusionFace: 面向基于扩散的人脸伪造分析的全面数据集

    DiffusionFace 是第一个基于扩散的面部伪造数据集，包括各种伪造类别，包括无条件和文本引导面部图像生成，Img2Img，修复和基于扩散的面部交换算法。数据集具有广泛的 11 个扩散模型和生成图像的高质量，为评估提供必要的元数据和来自现实世界的网络源伪造面部图像的数据集。此外，我们对数据进行深入分析，并引入实际评估协议以严格评估鉴别模型在检测假冒面部图像方面的有效性，旨在增强面部图像验证过程中的安全性。数据集可从 https://github.com/Rapisurazurite/DiffFace 下载。

    Mar, 2024

  • 扩散人脸伪造检测

    通过引入 DiFF 数据集，本文首次探索了面向脸部的扩散生成图像的领域，分析结果揭示了识别扩散生成的假脸面临的挑战，并提出了一种边缘图正则化方法来增强现有检测器的泛化能力。

    Jan, 2024

  • 使用深度学习检测深度伪造现象

    这篇文章旨在综述目前使用深度学习算法来应对社交媒体上深度伪造威胁的深度伪造检测模型，详细讨论了这些模型的优点、局限性和未来发展方向。

    Jul, 2022

  • 深度伪造检测在实际场景中的评估框架

    提出了一个更可靠的评估框架来评估在更现实的情境下学习型 deepfake 检测器的性能，并量化其对不同处理操作的鲁棒性，同时设计了一个基于真实处理操作驱动的随机退化数据增强方法，显著提高了 deepfake 检测器的鲁棒性。

    Apr, 2023

  • 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

  • 利用深度学习方法进行深度伪造检测：综述

    本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。

    Apr, 2023