May, 2024

完美深度伪造的预感：在经过重新平衡的深度伪造检测协议下的身份锚定无偏见检测

PDF
TL;DR通过使用平衡的测试场景来应对最完美的深度伪造视频，我们提出了重新平衡的深度伪造检测协议（RDDP），并提出了基于身份的深度伪造视频检测器 ID-Miner，它通过关注运动而不是伪造的特征或外观来鉴定伪造视频的幕后操作者。经过广泛的实验证明，我们的方法优于其他基准检测器，并呼吁研发针对完美深度伪造的检测器的必要性。
deepfakerebalanced deepfake detection protocolid-minerartifact-agnostic lossidentity-anchored loss
发现论文，激发创造
  • 基于身份识别的深度伪造检测

    本文提出了一种基于身份识别的 DeepFake 检测方法，该方法不尝试检测图像伪造，而是侧重于确定图像 / 视频中的身份信息是否正确。为了促进基于身份识别的检测研究，作者还提出了一个名为 “Vox-DeepFake” 的大规模数据集和一个简单身份检测算法 “OuterFace”。

    Dec, 2020

  • ID-Reveal: 具备身份感知的 DeepFake 视频检测

    ID-Reveal 通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征，从而在没有任何伪造训练数据的情况下，实现面部伪造检测。与现有技术相比，ID-Reveal 在面部信息伪造检测上表现出更好的泛化性和鲁棒性。

    Dec, 2020

  • DeepFidelity：深伪造：感知伪造保真度评估用于深度假脸检测

    DeepFidelity 和 SSAAFormer 是一种新的深度伪造检测框架和网络结构，能够自适应地区分具有不同图像质量的真实和伪造人脸图像，并在多个基准数据集上展现出优势。

    Dec, 2023

  • 检测人脸扭曲痕迹，揭示 DeepFake 视频

    本文通过深度学习和卷积神经网络技术识别 DeepFake 视频，并提出了一种不需要负面训练样本的方法，利用仿射变换中的瑕疵作为区分真假视频的显著特征，通过简单的图像处理操作即可模拟这些瑕疵。方法具有高效、节省时间和资源、鲁棒性等优点。

    Nov, 2018

  • 抗深度伪造换脸的鲁棒身份感知水印

    该研究提出了第一个强大的身份感知水印框架，可以主动地进行检测和源追踪来对抗 Deepfake 人脸交换，并在不同数据集和处理设置下展示了最先进的性能。

    Nov, 2023

  • 利用双神经网络操作的个性化深伪检测

    通过使用有关个体公众人物身份的信息，利用神经网络的幂等性属性，我们提出了一种改进深度伪造图像检测方法，并使用自行策划的包含 45 个公众人物的数据集进行实验，结果表明方法有效性提高，检测性能提高了，AUC 值从 0.92 提高到 0.94，并且其标准差减少了 17%。

    Dec, 2023

  • 使用基于部件检测器找到面孔伪造痕迹

    本论文提出了基于深度神经网络的人脸部分的伪造检测系统，并将其应用于多个数据集中的人工伪造视频的实证分析。

    Sep, 2021

  • FakeTagger: 通过溯源追踪，对抗 DeepFake 的广泛传播

    本文讨论了利用图像标记进行 DeepFake 的来源追踪的潜力，并提出了一种名为 FakeTagger 的基于深度学习的方法，该方法可以将嵌入的消息以高置信度恢复到面部图像中，可以有效地保护个人照片不被 DeepFaked。

    Sep, 2020

  • 通过分析图像匹配解释 Deepfake 检测

    本文旨在解释当深度伪造检测模型仅用二进制标签进行监督时，它们如何学习图像的人工特征。为此，从图像匹配的角度提出了三个假设，并验证了这些假设，进一步提出了 FST-Matching 深度伪造检测模型来提高压缩视频的伪造检测效果。

    Jul, 2022

  • 生成模型的人工指纹：通过训练数据来追根揭底深度伪造图像的来源

    我们通过嵌入人工指纹到生成对抗网络的训练数据中，展示了指纹从训练数据中转移到生成模型的惊人传递性，并证明此解决方案对多种诸如深度伪造检测和归属等任务都有效，且鲁棒性强。

    Jul, 2020