ICCVSep, 2023

对抗伪学习用于开放世界深度伪造溯源

PDF
TL;DR通过引入全局 - 本地投票模块指导具有不同操纵区域的伪造人脸的特征对齐以及设计基于置信度的软伪标签策略来减轻未标记集中类似方法引起的伪噪声，我们提出了一种名为对比伪学习（CPL）的新框架，用于开放世界深度伪造追溯任务，并通过预训练技术和迭代学习来扩展 CPL 框架以进一步提高可追溯性。广泛的实验验证了我们提出的方法在开放世界深度伪造追溯任务上的优越性，同时证明了深度伪造归因任务的可解释性及其对提高深度伪造检测领域安全性的影响。
forgerygenerative techniquesidentity swappingexpression transferringdeepfake attribution
发现论文，激发创造
  • 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

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023

  • 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

  • 自监督学习对抗示例：朝着深度伪造检测的良好泛化

    利用主动合成的伪造图像进行深度学习的泛化辨别，提出了一种新的深度伪造检测方法，该方法使用一种泛化表示，并通过增加伪造的多样性和扩展敏感性来提高检测效果，采用了对抗训练策略，能获得更好的性能表现。

    Mar, 2022

  • 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

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024

  • OpenForensics 大规模人脸伪造检测与野外分割数据集

    本文针对社交媒体中伪造脸部的困扰，进行了综合研究，首次创建了一个大规模数据集 OpenForensics，并利用其丰富注释，评估了各种情景下的最新实例检测和分割方法的效果，以推动深度伪造的预防和人脸检测等方面的研究。

    Jul, 2021

  • 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

  • 基于自一致性的深度伪造检测学习

    本文提出了一种使用源特征不一致性来检测 deepfake 图像的新方法，基于示例表明我们的方法相较于现有技术平均 AUC 提升从 96.45％至 98.05％，在跨数据集评估中提升从 86.03％至 92.18％。

    Dec, 2020

  • 对整容和伪装后的人脸的匹配

    本文提出了一种新颖的框架，将从通用图像数据集中学习的基本视觉特征转移至监督人脸识别模型，以应对看似相似的人脸在进行整形手术或伪装后造成的识别挑战，并在两个数据集上进行了实验，结果表明该算法在人脸识别方面表现最优秀，尤其是在数据野外环境 (DFW) 数据库上，误识率为 1% 时可获得超过 87% 的验证准确率，比使用 VGGFace 计算得到的基准结果高出 53.8%。

    Nov, 2018