Nov, 2023

揭示可普遍适用的深伪冒检测中的常见不一致性

PDF
TL;DR我们提出了一种基于帧不一致性的检测方法，通过捕捉真假视频之间普遍存在的不一致性来区分跨多个领域的真实和伪造视频的时域一致性，实验证明了我们方法在未见过的 Deepfake 领域具有泛化能力。
deepfake detectionframe inconsistencytemporal consistencyunseen domainsgeneralization ability
发现论文，激发创造
  • 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

  • 基于模态内和跨模态一致性的无监督多模态深度伪造检测

    我们介绍了一种新的无监督方法，通过测量多模态特征（特别是视觉、音频和身份特征）之间的内部和跨模态一致性来检测深度伪造视频，通过广泛的实验验证了我们的方法，在深度伪造视频中存在显著的内部和跨模态不一致性，可以高精度地检测出它们，并能够通过人工专家核实检测结果。

    Nov, 2023

  • UCF: 揭示通用深度伪造检测的共同特征

    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

  • 通过利用表面异常进行深度伪造检测：SurFake 方法

    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

  • 基于视觉 Transformer 的无监督一致性检测的人脸伪造方法 (UIA-ViT)

    本文提出了一种基于视觉 Transformer 的无监督非一致性感知方法 (UIA-ViT)，该方法可在没有像素级别注释的情况下仅利用视频级别标签，并使用一致性关系进行特征学习以提高人脸伪造检测性能。

    Oct, 2022

  • 基于面部与其上下文不一致性的 DeepFake 检测

    本研究提出了一种用于在单张图像中检测人脸交换和其他身份欺诈的方法，采用包含面部和背景的两个网络来实现人脸识别和背景识别以检测图像中不一致的特征，这一方法提高了通常用于检测虚假图像的传统分类器的检测信号，并在 FaceForensics++，Celeb-DF-v2 和 DFDC，等面部操作检测基准测试中取得了最新的成果.

    Aug, 2020

  • 利用不一致的头部姿势揭示深度伪造

    该论文提出了一种新方法，基于估计人脸图像的三维头部姿势的检测手段，检测出利用人工智能生成的虚假人脸图片或视频 (即 Deep Fakes) 的方法，并通过基于此方法的特征和 SVM 分类器对真实人脸和 Deep Fakes 进行了分类。

    Nov, 2018

  • 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

  • 基于面部特征引导适应的视频深度伪造检测的进一步普适化

    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

  • 学习盲视频时间一致性

    本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。

    Aug, 2018