Apr, 2024

DeepFeatureX Net: 基于深度特征提取网络的合成图像与真实图像区分

PDF
TL;DR基于三个块的新型方法，通过提取具有分辨力的特征来区分不同类型的图像，进而解决深度学习算法生成的合成图像在数字取证领域中的挑战，实验证明该方法在 JPEG 压缩和泛化测试方面具有良好的鲁棒性并超越了现有方法。
发现论文，激发创造
  • 简单特征揭示 DeepFakes

    本文介绍了一种利用经典的频域分析和基本分类器检测深度伪造图片（DeepFakes）的简单方法，使用少量标记样本即可达到 100％的分类准确性，并在 CelebA 数据集和 FaceForensics ++ 数据集上进行了实验证明了该算法的高准确性。

    Nov, 2019

  • 野外假人脸图像检测学习

    本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

    Sep, 2018

  • 基于精细特征的面部伪造深伪视频检测

    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

  • 合成图像的有趣特性：从生成对抗网络到扩散模型

    本研究通过对各种不同类型图像生成器的系统研究，探寻真实与虚假图像之间最具法医学意义的特征，发现合成图像中出现了可见的傅里叶域信号缺陷，以及自相关中出现的异常规律图案，并且当用于训练模型的数据集缺乏足够的多样性时，其偏见会转移到生成的图像中，观察了人造图像与真实图像之间较高频率信号内容的显著差异。

    Apr, 2023

  • 利用机器学习识别人工智能生成的合成图像

    利用机器学习技术来区分 AI 生成的合成图像和真实图像，通过优化深度学习模型和对比实验结果表明，深度学习模型可以更准确地识别合成图像，进一步推动数字媒体可信度及 AI 生成内容的伦理和技术探索。

    Jan, 2024

  • 特征提取更为重要：通过攻击集成特征提取器进行通用深度伪造破坏

    本研究提出一种基于特征输出集成的深度伪造破坏器 (FOUND)，该方法通过多特征聚合和单特征维护干扰多模型特征提取器，并采用梯度集成算法增强干扰效果，实现了针对深度伪造基准模型的显著提升，同时实现了在效率和成功率方面超越现有的通用破解器。

    Mar, 2023

  • 迈向 AI 合成人脸图像的检测

    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

  • 深度假象图像检测在威胁环境不断演化中的近期进展分析

    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

  • 基于面部特征引导适应的视频深度伪造检测的进一步普适化

    通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性，并取得了显著的性能提升。

    Apr, 2024

  • 家长和孩子：区分多模态深度伪造图像与自然图像

    本文通过系统研究最新扩散模型生成的虚假图片的真实性，分析其图像的低层特征和用作种子的文本说明的语义作用，并提供了一个新的包含约 600k 张图像的数据集 COCOFake。

    Apr, 2023