学习表现力和可泛化的面部伪造检测运动特征
本文探讨了利用时间上下文对视频中的脸部伪造进行检测的方法,并提出了一种新的端到端框架,包括全时卷积网络和时间变换网络,实验证明了该方法的有效性。
Aug, 2021
本研究提出了一个新的框架,专门针对多脸伪造检测,填补了当前研究中的重要空白。该框架主要包括两个模块:(一)面部关系学习模块,为图像中的每个面生成可区分的局部特征;(二)全局特征聚合模块,利用全局和局部信息之间的相互约束来提高伪造检测的准确性。我们在两个公开的多脸伪造数据集上的实验结果表明,所提出的方法在多脸伪造检测场景中达到了最先进的性能。
Oct, 2023
这篇论文提出了一种基于 CNN 的人脸伪造检测方法,利用高频噪声、多尺度特征提取、残差 - 引导空间注意力和跨模态注意力等功能模块提高了交叉数据集下的检测性能。
Mar, 2021
本文提出了一种全面解释的视频法医方法,旨在暴露 DeepFake,通过建模视频中多个特定空间位置的时间运动来提取强大而可靠的表示形式,称为 Co-Motion Pattern,该方法具有优越的可解释性和充分的鲁棒性。
Aug, 2020
本研究提出了一种基于真实对话视频的假脸检测技术,通过跨模态自监督学习得到时序稠密视频表示,鼓励假脸检测器基于面部运动、表情和身份等因素做出真 / 假决策,并在交叉操作泛化和鲁棒性实验中取得了最先进的表现。
Jan, 2022
该研究提出了一种学习过程,使得检测模型能够从 RGB 视频数据中直接学习运动特征,我们在空间和时间上利用了可变形卷积来预测人的姿势,这自然地鼓励我们的网络学习编码两帧之间空间对应关系的运动偏移量,这些运动偏移量称为 DiMoFs(区分运动特征),并且推广了该模型用于时空行为本地化和细粒度动作识别。
Dec, 2018
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
通过提出一种时间性增强的网络模型,学习一种能感知运动的特征,并通过多示例学习进行分类,从而在 UCF Crime 数据集上显著超越以往方法,在视频反常检测和异常行为识别任务上取得了较好的表现。
Jul, 2019
本论文提出了一种基于 CNN-LSTM 网络的人脸反欺诈方法,专注于视频帧间的运动线索,在回放攻击和 MSU-MFSD 数据库上表现出目前最先进的性能和更好的泛化能力。
Jan, 2019