通过频域学习提高深伪造图像检测器的泛化性能,包括使用频率级别的伪造检测方法和一个特定设计的频域学习模块,实现了先进的性能 (+9.8%),并且所需参数更少。
Mar, 2024
通过对生成对抗性网络的频域进行分析,我们发现生成的 Deep fake images 在这一领域会展现出一些严重的瑕疵,通过这些瑕疵可以自动识别出 deep fake images, 超越了现有的最先进方法。
Mar, 2020
通过探索遮蔽图像建模,我们提出了一种新颖的频率域深伪造图像检测方法,具有优异的泛化能力和显著的性能提升。
Jan, 2024
通过在图片生成过程中注入不同频率的合成模式,提高了深度伪造检测器的泛化能力。使用该方法训练的模型能够实现先进的深度伪造检测,并能有效地识别任意生成技术产生的深伪造。
提出了一种新颖的基于频率的人脸伪造检测网络 F3-Net,通过感知频率分解图像分量和局部频率统计信息相结合的策略深度挖掘伪造模式,能够有效应对压缩图像和视频中的人脸伪造问题。在 FaceForensics++ 数据集上,F3-Net 在所有压缩质量下均显著优于同类方法。
Jul, 2020
这篇论文介绍了一种用于检测深度伪造的频率增强自混合图像(FSBI)方法,通过利用离散小波变换(DWT)从自混合图像(SBI)中提取判别特征,训练卷积网络模型,在频域中检测时间域中难以检测到的伪造痕迹,并在 FF++ 和 Celeb-DF 数据集上的跨数据集评估中表现优于现有技术。
Jun, 2024
本文提出了一种基于离散余弦变换(DCT)的频率对抗攻击方法,以欺骗面部伪造检测器。通过引入融合模块来捕获对手在频率域中显着的区域,我们的方法比空间域中的现有对抗攻击更为难以察觉,并且不会降低原始图像的视觉质量。在实验中,我们发现该方法有效地欺骗了空间域和最先进的频率域检测器,并增强了面部伪造检测器之间的可靠性。
Mar, 2022
使用面部假冒技术制造的可信度问题日益增加,提出了一种利用 RGB 和粒度细微频率提示的渐进增强学习框架来解决这个问题,实验结果表明,该方法优于现有的面部伪造检测方法。
Dec, 2021
提出了一种针对深度伪造技术 (Fake 技术) 的视觉数据的伪造检测算法,通过重新合成测试图像并提取视觉线索进行检测,该方法包括超分辨率、降噪和上色。该方法具有较高的检测效率、交叉 GAN (Cross-GAN) 泛化以及对 CelebA-HQ、FFHQ 和 LSUN 数据集的扰动鲁棒性。
May, 2021
利用小波包和短時傅里叶變換等技術,用于波形数据处理,實現了更輕量級的檢測器,用于對抗利用生成式神經網絡制造的合成語音的詐騙行為,對新型 Avocado 和 BigVGAN 網絡的檢測效果更佳。
May, 2023