通过注视引导的空间不一致学习进行深度伪造检测
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
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
该研究提出了一种基于 3D 时空轨迹的深度伪造视频检测方法,该方法通过利用鲁棒的 3D 模型构建时空运动特征,整合来自 2D 和 3D 帧的特征细节,以减轻大头部旋转角度或不足的光照对帧内的影响。此外,该方法将面部表情与头部运动分离,并设计了基于相空间运动轨迹的顺序分析方法,以探索深度伪造视频中真实面部和伪造面部之间的特征差异。通过对几个压缩深度伪造基准进行广泛实验证明了我们所提出的方法的性能。计算视频压缩前后面部标志的一致分布验证了精心设计的特征的鲁棒性。我们的方法取得了令人满意的结果,展示了其在实际应用中的潜力。
Apr, 2024
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
该研究旨在针对利用深度学习工具生成人脸的 Deepfake 现象,提出新的检测方法。提出的该算法基于期望最大化算法,提取了一组特定的局部特征来建模卷积生成过程,经实验验证有效地区分了不同的架构和相应的生成过程。
Apr, 2020
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
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
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
通过使用 3D CNN 建立时空特征提取模型,我们提出了一种新的深度伪造视频检测方法,相比于现有方法能更准确地进行分类,并且经过测试表现出更强的通用能力。
Oct, 2020
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