AAAIDec, 2023

自适应连续学习用于音频深度伪造检测

PDF
TL;DR我们提出了一种持续学习方法，称为 Radian Weight Modification (RWM)，用于音频深度伪造检测，通过引入可训练的梯度修正方向来提高知识获取和减少遗忘，在音频深度伪造检测方面优于其他方法，并显示出在图像识别等不同机器学习领域的潜在重要性。
audio deepfake detectioncontinual learningradian weight modificationgradient modificationmachine learning domains
发现论文，激发创造
  • 克服虛假音頻檢測中的災難性遺忘

    我们提出了一种连续学习算法用于检测伪造音频以克服灾难性遗忘，并引入正则化约束来控制特征分布，通过自适应权重修改方向，网络可以在新数据集上有效检测伪造音频，同时保留对旧模型的知识，实现降低灾难性遗忘。我们在多个数据集上评估了我们的方法，并在跨数据集实验中取得了显著的性能改进。

    Aug, 2023

  • 基于深度学习的音频伪造检测网络的泛化

    利用小波包和短時傅里叶變換等技術，用于波形数据处理，實現了更輕量級的檢測器，用于對抗利用生成式神經網絡制造的合成語音的詐騙行為，對新型 Avocado 和 BigVGAN 網絡的檢測效果更佳。

    May, 2023

  • 对抗式学习的鲁棒音频深度伪造检测（CLAD）

    音频深度伪造的广泛应用和威胁需要强大的检测方法。本研究首次全面调查了最常用的音频深伪造检测器对操纵攻击的敏感性，并提出了 CLAD 来改善其鲁棒性。通过对比学习和长度损失等技术，CLAD 显著提高了检测的准确性和鲁棒性。

    Apr, 2024

  • 检索辅助的音频深度伪造检测

    使用检索增强的检测框架，基于语音合成和深假声音技术，以及 ASVspoof 2021 数据集的实验结果，改进了深假声音检测方法，并提升了检测性能。

    Apr, 2024

  • 一种基于多流融合和单类学习的音视频深伪造检测方法

    该研究针对深度伪造音视频的检测模型的挑战，提出了一种具有多模态融合和一类学习表示级正则化技术的方法，以解决方法的泛化问题和确保模型的可解释性。实验证明该方法对未见攻击的检测平均改进了 7.31%，同时提供了模型对伪造模态的识别结果。

    Jun, 2024

  • 通往通讯平台实时深假语音检测系统的发展

    本研究旨在评估在实时通信平台上采用静态深假音频检测模型的可行性，研发了可在多平台上运行的可执行软件，并使用 ASVspoof 2019 数据集实现了基于 Resnet 和 LCNN 架构的两个深假音频检测模型，达到了与 ASVspoof 2019 挑战基准的比较性能。该研究提出了增强这些模型的策略和框架，为在通信平台上实现实时深假音频检测铺平了道路，从而推动音频流安全性的进一步发展，并确保在动态实时通信场景下具备强大的检测能力。

    Mar, 2024

  • 低秩模型挤压的自适应假音频检测

    本研究提出了一种针对新型虚假语音的低秩适应矩阵训练方法，在保持现有模型识别已知虚假语音准确率的同时，减小了存储内存需求，降低了错误率。

    Jun, 2023

  • 使用蒸馏进行连续表示的虚假媒体泛化检测

    本论文研究人工智能的连续学习及其在神经网络领域的应用，提出了 Continual Representation using Distillation (CoReD) 方法，以增加数据效率并对抗深度伪造技术进行序列领域适应任务的新深伪和生成对抗网络合成人脸数据集，取得了比当前的基准方法更好的实验结果。

    Jul, 2021

  • 自动身份识别对音频视觉深度伪造的漏洞

    该研究论文介绍了首个真实的音频 - 视觉深度伪造数据库 SWAN-DF，其中嘴唇和语音同步，并具有高质量的视觉和音频。研究表明，通过调整现有的预训练深度伪造模型来适应特定身份，可以在超过 90% 的时间内成功欺骗人脸和说话人识别系统，并获得非常逼真的伪造视频。

    Nov, 2023

  • 整合视听特征用于多模态深度伪造检测

    深度伪造是通过人工智能生成的媒体，其中图像或视频经过数字修改。本研究提出了一种基于音视频的深度伪造检测方法，将细粒度的深度伪造识别与二元分类结合，增强了在域内和跨域测试下的检测能力。

    Oct, 2023