Oct, 2023

跨域鲁棒式深度伪造偏差扩展网络用于人脸伪造检测

PDF
TL;DR本研究介绍了一种名为 Cross-Domain Robust Bias Expansion Network (BENet) 的解决方案，通过使用自动编码器和潜空间注意力模块，增强面部伪造检测的鲁棒性，用于优化重建结果和放大伪造线索以及检测跨领域的未知 deepfake 攻击。实验证明了 BENet 在数据库内和数据库间评估中的优越性。
deepfake technologiesface forgery detectioncross-domain robust bias expansion network (benet)auto-encoderlatent-space attention module
发现论文，激发创造
  • 领域取证：通过双向适应揭示跨领域的人脸伪造

    通过无监督领域自适应的新解决方案，DomainForensics，从已知伪造品向新伪造品传递伪造知识，通过领域差异的对齐捕捉新伪造品的知识，既考虑前向适应也考虑后向适应，在前向适应中，通过有监督训练在已知伪造品中提升 DeepFake 检测器的能力，并通过对新伪造品进行对抗特征适应传递伪造识别能力，而在后向适应中，通过对抗适应和自我蒸馏提高知识传递效果，使检测器能够从未标记数据中揭示新伪造特征并避免遗忘已知伪造知识。

    Dec, 2023

  • 自监督变形器与领域自适应重建用于一般人脸伪造视频检测

    通过自我监督学习的实现，该论文提出了一种自我监督变压器协同对比和重建学习 (CoReST) 方法，该方法首先仅在真实人脸视频上进行自我监督预训练，然后在特定的人脸伪造视频数据集上用线性头进行微调，通过引入对比和重建学习的辅助任务来增强表示学习，同时引入领域适应性重建模块来弥合不同伪造领域之间的差距，实验结果表明，该方法在公共数据集上的表现比现有的有监督竞争方法更好，并具有令人印象深刻的泛化性能。

    Sep, 2023

  • 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

  • 提高深假脸检测器的跨数据集泛化能力

    本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

    Apr, 2022

  • 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

  • 利用再构和混合图像以及多尺度特征再构神经网络进行广义深度伪造检测

    通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

    Dec, 2023

  • 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

  • 跨域人脸反欺诈的深度转移

    本文提出了一种使用 CNN 框架利用目标领域的稀疏标记数据来改善人脸防欺骗模型跨数据集测试性能的方法，实验结果表明仅使用少量标记样本即可显著提高模型的泛化能力。

    Jan, 2019

  • 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

  • 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