使用卷积神经网络和胶囊网络进行可解释的深度伪造视频检测
本文介绍了一种胶囊网络方法,用于检测多种攻击类型,从使用打印图像和重放视频的陈述性攻击到使用深度学习创建的虚假视频的攻击,具有与传统卷积神经网络相似的性能,并通过详细分析和可视化解释了胶囊网络应用于取证问题的理论。
Oct, 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
通过创新和简化的模型,本研究致力于对通过五种不同的编码器生成的深度伪造视频进行分类,该模型在性能上达到最新水平,并且优化了计算资源的利用。该模型结合了 VGG19bn 的一部分作为骨干,使用胶囊网络和时空注意机制增强了模型的分类能力,并通过聚合帧之间的洞察力获得了视频内容的整体理解。实验结果证明了我们的方法在准确分类深度伪造视频方面相较于基线模型提升了 4 个百分点,并且对计算资源的需求更低。
Nov, 2023
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
本文提出了一种基于卷积 LSTM 的深度学习模型(CLRNet),利用序列帧输入方法检测深伪视频中图像间的不自然痕迹,并且使用迁移学习对不同类型深伪视频的识别进行泛化。在 FaceForensics++ 数据集上进行了实验,结果显示我们的模型能够更好地泛化不同类型的深伪视频,相比于之前五种最先进的深伪检测方法,我们的方法表现更优越。
Sep, 2020
通过综述现有的 deepfake 生成和检测技术,本文分析了基于深度学习的 deepfake 创建方法和检测技术,并讨论了当前的 deepfake 检测方法的局限性和挑战,以及未来的研究方向,强调了对 deepfake 检测技术持续研究和发展的重要性,以应对 deepfake 对社会的负面影响,并确保数字视觉媒体的完整性。
Sep, 2023
该研究提出了使用两个深度学习算法(LSTM 和 MLP)的新 deepfake 检测模型,并使用 140k 真实和虚假面孔数据集评估其在检测 deepfake 图像中的表现,最高可达 74.7% 的准确率。
Apr, 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