深度图像合成与图像伪造
本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度,同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果,结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。
May, 2024
近年来,文件处理蓬勃发展并带来了众多好处。然而,被报告的伪造文件图像案例显著增加。特别是深度神经网络(DNN)在生成任务方面的最新进展可能加剧文件伪造的威胁。我们验证了传统的针对使用普遍的复制 - 移动方法创建的伪造文件图像的方法对 DNN 方法创建的伪造文件图像不适用。为了解决这个问题,我们构建了一个名为 FD-VIED 的文件伪造图像的训练数据集,通过模拟可能的攻击,如文本添加、删除和替换,使用最新的 DNN 方法。此外,我们通过自监督学习的方式引入了一种有效的预训练方法,包括自然图像和文档图像。在我们的实验证明,我们的方法提高了检测性能。
Nov, 2023
本文探讨如何使用深度学习和图像取证技术检测图像伪造,并使用 VGG-19、Inception-V3、ResNet-152-V2、XceptionNet 和 EfficientNet-V2L 等模型进行分类。
Nov, 2022
通过定义改变语义脸部属性以超过人类辨别阈值的计算方法,构建一个大型脸部伪造图像数据集,并提出了一个以语义为导向的脸部伪造检测方法,展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。
May, 2024
本文针对网络假冒图片的普遍存在问题,通过对自动算法与人类表现进行对比,提出了基于人类视觉难度的图片伪造检测算法。该算法将为今后更好的算法开发提供有利支持。
Apr, 2017
本文对当前合成图像生成和处理技术的发展进行了探讨,并提出了一个基于 DeepFakes,Face2Face,FaceSwap 和 NeuralTextures 的面部操作检测基准,包括超过 180 万个操纵图像的数据库,并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。
Jan, 2019
通过引入新的半百万级别的面部操作数据集,本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务,包括压缩不同质量级别下的视频,并达到超越现有所有视频操纵数据集一个数量级的状态,旨在通过根据目标制作难以区分的赝品来进行基准评估。
Mar, 2018
通过引入细粒度提示和粗细联合训练框架,提出了一种名为视觉语言人脸伪造检测(VLFFD)的新范式,以解决针对深度伪造的检测模型缺乏语义信息和解释性的问题,并在多个具有挑战性的基准测试中证明了该方法对现有的检测模型有所改进。
Jul, 2023
本文介绍了 DeepfakeArt Challenge,这是一个大规模的挑战基准数据集,旨在帮助构建生成 AI 艺术伪造和数据污染检测的机器学习算法。该数据集包括超过 32,000 个记录,涵盖了多种生成伪造和数据污染技术。
Jun, 2023
构建了最大的公共面部伪造数据集 ForgeryNet,涉及 2.9 百万张图片和 221,247 个视频,在图像和视频级数据上包含 4 个任务:图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位,提供了对面部鉴定算法的完整评价。
Mar, 2021