通过对深度伪造图像的产生和检测进行深入研究,本论文提出了一种全面的深度伪造图像生成与识别的方法。在我们的研究中,我们创建了一个名为 DeepFakeFace (DFF) 的数据集,用于训练和测试检测深度伪造图像的算法。我们进行了对 DFF 数据集的全面评估,并提出了两种评估方法来测试深度伪造识别工具的强度和适应性。根据我们的发现,不同的深度伪造方法和图像变化产生了多种结果,突显了对深度伪造检测器的需求。我们的 DFF 数据集和测试旨在促进更有效的抵御深度伪造的工具的发展。
Sep, 2023
本研究探讨了单图 Deepfake 检测器对最新生成方法之一,去噪扩散模型(DDM)的攻击的脆弱性,并在 FaceForensics ++ 数据集上进行了测试,结果表明单个去噪扩散步骤可以显著降低所有经过测试检测器的准确性而不引入明显的视觉变化
Jul, 2023
DiffusionFace 是第一个基于扩散的面部伪造数据集,包括各种伪造类别,包括无条件和文本引导面部图像生成,Img2Img,修复和基于扩散的面部交换算法。数据集具有广泛的 11 个扩散模型和生成图像的高质量,为评估提供必要的元数据和来自现实世界的网络源伪造面部图像的数据集。此外,我们对数据进行深入分析,并引入实际评估协议以严格评估鉴别模型在检测假冒面部图像方面的有效性,旨在增强面部图像验证过程中的安全性。数据集可从 https://github.com/Rapisurazurite/DiffFace 下载。
Mar, 2024
本研究提出了一种通过微调预训练的稳定扩散模型生成合成数据集的框架,并用于对象检测模型的训练,研究结果表明,在苹果果园检测中,合成数据训练的对象检测模型的性能与真实世界图像训练得到的基线模型相似,这表明了合成数据生成技术作为深度模型训练的可行替代方法的潜力。
Jun, 2023
本文提出了一种新的算法来训练公平的 deepfake detection model,以解决使用偏见的数据训练深度学习模型可能会导致不公平表现的问题。实验结果表明,该方法可以提高 deepfake detection 的公平性和鲁棒性。
深度伪造检测与防御研究方向的关键词有:深度伪造、检测、防御、生成模型和对抗攻击。
Apr, 2024
通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性,然后通过频域分析伪造痕迹来得出各种见解,并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。
Feb, 2024
通过引入 DiFF 数据集,本文首次探索了面向脸部的扩散生成图像的领域,分析结果揭示了识别扩散生成的假脸面临的挑战,并提出了一种边缘图正则化方法来增强现有检测器的泛化能力。
Jan, 2024
通过使用图像转图像的方法、以及预训练的文本到图像扩散模型将其参数化,解决了数据扩增过程中具有高级语义标注的动物种类等属性缺乏多样性的问题,并在少样本情境和杂草识别任务中得到实际应用。
Feb, 2023
研究了 deepfake 检测器的泛化能力,发现现有模型难以适应未经训练的 deepfakes 数据集,但鉴于它们普遍学习合成方法的特定属性并难以提取区分特征,发现有神经元对已见和未见数据集都起到检测作用,为实现零样本泛化能力指明了可能的方向。
Aug, 2023