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
本文综述了现有工具和基于机器学习的方法,用于深度伪造(Deepfake)的生成和检测,并讨论了目前的公共数据集和对技术进行性能评估的关键标准,强调了未来研究的方向。
Feb, 2021
本文通过收集 Transformer-based 工具生成的 deepfake 文本从而评估现有方法在野外环境中实际应用的能力,并通过对抗攻击研究对现有防御措施的稳健性。研究发现,将文本内容中的语义信息引入是提高 deepfake 文本检测方案鲁棒性和泛化性能的有效途径。
Oct, 2022
本研究以黑盒方式对当今最先进的 DeepFake 检测方法进行批判性漏洞研究,旨在提高其鲁棒性,包括对抗攻击和使用通用对抗样本进行更容易的攻击。该研究还在 DeepFake 检测挑战赛的获奖入口上进行了评估,并证明了它们可以很容易地被跨模型攻击所绕过。
Nov, 2020
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
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
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
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