使用可解释的成本敏感深度学习方法从视频中揭示 Deepfake 面孔
本文旨在解决视频深度伪造检测的问题,特别注重于面部深度伪造,他们利用效率较高的特征提取器与各种 Vision Transformer 结合进行实验,得出的最佳模型 AUC 为 0.951,F1 得分为 88.0%.
Jul, 2021
通过引入卷积 LSTM 残差网络(CLRNet)并探索深度伪造(DeepFake)中的时空信息,我们提出了一种更通用的方法来检测由多种方法产生的深度伪造,包括 DeepFake-in-the-Wild(DFW),此方法在多个基准数据集上表现良好并进行了评估。
May, 2021
通过使用卷积神经网络和胶囊网络与长短期记忆,利用可解释的人工智能来区分深度伪造生成的帧和原始帧,以实现我们的目标,并促进透明的人工智能关系并提供真实场景的实际示例。
Apr, 2024
本文研究深度学习架构 (CNNs 和 Transformers) 的演进,设计和开发了深度伪造检测模型,并在深度伪造数据集上进行了实验,取得了较高的准确率和 AUC,并分析了不同深度伪造数据集之间的关系。
Apr, 2023
本文提出了一种有效的方法来评估 DeepFake 视频的视觉真实感,并详细介绍了两个卷积神经网络模型的数据预处理和训练程序,这些模型通过从帧序列中提取的特征来预测 DeepFake 视频的 Mean Opinion Scores,并在 DeepFake Game Competition (DFGC) 2022 评估中获得了第三名。
Jun, 2023
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
这篇论文探讨了现代深度学习网络在检测佩戴口罩的 Deepfake 技术方面的性能,并提出了两种不同的检测方法:面部裁剪和面部贴片。实验表明,面部裁剪比面部贴片更为有效,可用于识别现实世界中带口罩的人脸 Deepfake。
Feb, 2022
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
本文提出了一种使用卷积视觉 Transformer 及卷积神经网络架构用于检测 Deepfakes 的方法,并在 DeepFake Detection Challenge Dataset 上进行了实验,取得了 91.5%的准确度、0.91 的 AUC 值和 0.32 的损失值。
Feb, 2021