Apr, 2024

基于 3D 时空轨迹的深度伪造视频压缩检测

PDF
TL;DR该研究提出了一种基于 3D 时空轨迹的深度伪造视频检测方法，该方法通过利用鲁棒的 3D 模型构建时空运动特征，整合来自 2D 和 3D 帧的特征细节，以减轻大头部旋转角度或不足的光照对帧内的影响。此外，该方法将面部表情与头部运动分离，并设计了基于相空间运动轨迹的顺序分析方法，以探索深度伪造视频中真实面部和伪造面部之间的特征差异。通过对几个压缩深度伪造基准进行广泛实验证明了我们所提出的方法的性能。计算视频压缩前后面部标志的一致分布验证了精心设计的特征的鲁棒性。我们的方法取得了令人满意的结果，展示了其在实际应用中的潜力。
deepfake technologyvideo detectioncompressed videos3d spatiotemporal trajectoriesfacial expressions
发现论文，激发创造
  • 基于时空特征的深度伪造视频普适检测

    通过使用 3D CNN 建立时空特征提取模型，我们提出了一种新的深度伪造视频检测方法，相比于现有方法能更准确地进行分类，并且经过测试表现出更强的通用能力。

    Oct, 2020

  • 利用时空卷积神经网络进行 Deepfake 检测

    通过使用 Celeb-DF 数据集，我们创建了基于时空卷积方法的表现基准，发现这些方法优于现有的基于帧的检测方法，因为它们能够学习到时序信息，并且提出了一种更好的深度学习算法来检测深度假像。

    Jun, 2020

  • 深度假像检测：利用 2D 和 3D CNN 集成的能力

    该研究使用 2D 和 3D 卷积神经网络的创新方法验证视频内容，结合滑动过滤器捕捉空时特征，利用 Voting Ensembles 和 Adaptive Weighted Ensembling 优化 3D 模型输出，在对抗深度伪造生成的欺骗性实践方面展现出潜力。

    Oct, 2023

  • 通过异常的协同模式检测揭示深度伪造视频

    本文提出了一种全面解释的视频法医方法，旨在暴露 DeepFake，通过建模视频中多个特定空间位置的时间运动来提取强大而可靠的表示形式，称为 Co-Motion Pattern，该方法具有优越的可解释性和充分的鲁棒性。

    Aug, 2020

  • 基于 H.264 运动矢量的高效时序感知 DeepFake 检测

    利用 H.264 视频编解码器中的运动矢量和信息掩码来检测 DeepFakes 中的时间不一致性，该方法在有效性和计算成本方面表现出色，可用于视频通话和流媒体的实时时间感知 DeepFake 检测方法。

    Nov, 2023

  • 通过精确几何特征提高 Deepfakes 检测的效率与健壮性

    LRNet 是一种有效且鲁棒的检测 Deepfakes 视频的框架，通过对精确几何特征的时间建模来挖掘深度伪造视频的时间特征，并对其进行有效利用，相较于以往的方法更轻量级且更易于训练，在高度压缩或噪声受损的情况下依然具有鲁棒性。

    Apr, 2021

  • 基于面部区域位移轨迹序列的人脸伪造检测

    利用基于深度学习的技术来鉴别伪造的面部操作视频，特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建，其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频，该方法表现出了竞争力。

    Dec, 2022

  • 通过注视引导的空间不一致学习进行深度伪造检测

    本文介绍了一种创新的 DeepFake 检测方法，使用从 3D 凝视估计模型获取的凝视表示来规范我们 DeepFake 检测模型中的相应表示，同时结合一般特征进一步提高性能。实验证明我们提出的 GazeForensics 优于当前最先进的方法。

    Nov, 2023

  • 使用时空 Dropout Transformer 进行 Deepfake 视频检测

    本文提出了一种基于空时 dropout 的深度学习算法用于视频检测，利用视觉变换器从视频中抽取局部区域的空时信息，配合空时 dropout 操作以提高模型的鲁棒性和泛化性。实验证明，该算法有效地解决了当前深度伪造视频的检测挑战。

    Jul, 2022

  • 深层伪造潜入：检测视频中的伪造片段

    本文提出了一种新型深度伪造检测方法，利用 Vision Transformer、Scaling and Shifting pretraining 以及 Timeseries Transformer 分割视频，实现对视频帧的完整性检测，此方法能够高效地检测现有的深度伪造技术。

    May, 2023