无需观察即可检测伪造视频
通过综述现有的 deepfake 生成和检测技术,本文分析了基于深度学习的 deepfake 创建方法和检测技术,并讨论了当前的 deepfake 检测方法的局限性和挑战,以及未来的研究方向,强调了对 deepfake 检测技术持续研究和发展的重要性,以应对 deepfake 对社会的负面影响,并确保数字视觉媒体的完整性。
Sep, 2023
本综述分析了视觉媒体完整性验证的方法,着重于探讨深度伪造现象和现代数据驱动的法医分析方法,以揭示现有取证工具的限制、相关问题、挑战和未来研究方向。
Jan, 2020
在本文中,我们使用基于 GAN 的开源软件从 VidTIMIT 数据库的视频生成 Deepfake 视频,调整不同的训练和混合参数对生成视频的质量有显著影响,并表明当前的人脸识别系统和现有的检测方法都很容易受到 Deepfake 视频的干扰。
Dec, 2018
本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究,旨在提高其鲁棒性,包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估,并证明了它们可以很容易地被跨模型攻击所绕过。
Nov, 2020
深度伪造生成对场景整体几何和采集过程造成了特征变化,通过分析图像中表面的特征可生成一个可用于深度伪造检测的描述符,称为 SurFake。在各种深度伪造和深度学习模型上进行的实验结果证实了该特征可用于区分原始图像和经过篡改的图像,并且实验证明结合视觉数据可提高检测准确性。
Oct, 2023
本文旨在探讨生成深度学习算法如何创作和侦测 Deepfakes,并提供对其工作原理的深入了解以及当前领域的趋势和进展、目前防御解决方案的不足之处以及需要进一步研究和关注的领域。
Apr, 2020