基于精细特征的面部伪造深伪视频检测
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
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
通过在 Foundation Models 中加入富信息,利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中,我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性,并取得了显著的性能提升。
Apr, 2024
本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片(DeepFakes)的简单方法,使用少量标记样本即可达到 100%的分类准确性,并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。
Nov, 2019
本文使用卷积神经网络(CNN)中的局部特征来提高面部欺骗检测的性能,并且在整个面部图像上进行预训练,使 CNN 可以学习不同的本地欺骗线索,从而改进了性能并提高了最终模型的收敛速度。
Jun, 2018
LRNet 是一种有效且鲁棒的检测 Deepfakes 视频的框架,通过对精确几何特征的时间建模来挖掘深度伪造视频的时间特征,并对其进行有效利用,相较于以往的方法更轻量级且更易于训练,在高度压缩或噪声受损的情况下依然具有鲁棒性。
Apr, 2021
探讨 Deepfake 技术的历史、发展和检测,并议论了基于生理测量(如眉毛识别、眨眼检测、眼动检测、耳朵和口部检测、心跳检测等)的挑战,同时提出了各种不同的生物特征及分类器比较,并对 GANs 模型的检测方法进行了综述。
Jan, 2023
本篇论文通过「分离」视觉信息的方法,提出了一种有效解决深度超假的问题的框架,着重考虑了针对具体伪造方法(网络结构、训练数据等)的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。
Apr, 2023
本研究提出了一个名为 DeepFD 的深度伪造鉴别器,采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像,实验结果表明,DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。
Sep, 2018
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