MMSep, 2023

定位和验证：用于改进深伪造检测的双流网络

PDF
TL;DR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。
deepfakeforgery detectiontwo-stream networkcollaborative learningsemi-supervised learning
发现论文，激发创造
  • 基于双流神经网络的人脸篡改检测

    本文提出了一种用于人脸篡改检测的两路网络，其中使用 GoogLeNet 来检测人脸分类流中的篡改伪影，并使用基于贴片的三元组网络作为第二路以利用捕获当地噪声残留和相机特征的特征。此外，本文通过两个不同的在线人脸交换应用程序创建了一个新的数据集，其中包含 2010 张篡改图片，每张图片都包含一个篡改过的人脸。实验结果表明了我们所提出的两路网络的有效性。

    Mar, 2018

  • 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

  • 用于检测视频中深度伪造的双分支循环网络

    本文提出了一种基于两分支网络结构的深度伪造检测方法，利用高斯拉普拉斯算子压缩自然面部变异性，推开特征空间中不真实的面部样本以更好地隔离数字操纵面孔，并在 FaceForensics ++、Celeb-DF 和 Facebook 的 DFDC 预览基准测试中实现良好的视频级性能。

    Aug, 2020

  • 揭示欺诈行为：深度伪造检测中的更多伪造线索揭示

    通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

    Mar, 2024

  • 一种基于多流融合和单类学习的音视频深伪造检测方法

    该研究针对深度伪造音视频的检测模型的挑战，提出了一种具有多模态融合和一类学习表示级正则化技术的方法，以解决方法的泛化问题和确保模型的可解释性。实验证明该方法对未见攻击的检测平均改进了 7.31%，同时提供了模型对伪造模态的识别结果。

    Jun, 2024

  • 利用双神经网络操作的个性化深伪检测

    通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

    Dec, 2023

  • MesoNet：一种紧凑型面部视频伪造检测网络

    本文提出了一种利用深度学习自动有效地检测视频中人脸篡改的方法，并集中研究了最近使用的两种生成超逼真伪造视频的技术：Deepfake 和 Face2Face。通过提出的两个网络，在现有数据集和网络视频数据集上测试，检测率分别达到 98% 和 95% 以及相当成功。

    Sep, 2018

  • 基于精细特征的面部伪造深伪视频检测

    本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法，将人脸伪造检测问题归纳为细粒度分类问题，并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。

    Oct, 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

  • MMNet：多协作和多监督网络用于顺序深度伪造检测

    提出了一种名为 Multi-Collaboration and Multi-Supervision Network (MMNet) 的方法，用于处理伪造的人脸图像中的各种空间尺度和顺序排列，并在不需要相关操作方法知识的情况下实现恢复，同时提出了一种名为 Complete Sequence Matching (CSM) 的新的评估指标，反映了在多个推断步骤中检测完整伪造序列的能力。在多个典型数据集上的广泛实验表明，MMNet 在检测性能和独立恢复性能方面达到了最先进的水平。

    Jul, 2023