May, 2024

检测音乐深度伪造容易但实际上很困难

PDF
TL;DR这篇论文展示了对真实音频数据集和假重建数据集进行分类器训练的可能性与出乎意料的容易程度，达到了 99.8% 的令人信服的准确率，标志着音乐深度伪造检测器的首次发表。然而，通过对其他领域伪造检测的几十年文献的了解，我们强调一个好的测试得分并不是故事的结束，而且指出部署的检测器可能存在的问题与未来研究方向。
generative modelsartificially generated contentmusic deepfakesfraud detectionforgery detection
发现论文，激发创造
  • WaveFake: 一份数据集，用以方便音频 Deepfake 检测

    本文介绍了一些用于分析音频信号的常见信号处理技术。我们提供了一个新的数据集，并采用了两个基线模型，以便进一步研究深层次的生成建模在音频信号领域的应用。

    Nov, 2021

  • 基于深度学习的音频伪造检测网络的泛化

    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

  • SingFake: 唱歌声深度伪造检测

    提出了歌声深度伪造检测任务，创建了第一个真实数据集 SingFake，包含 40 位歌手 5 种语言的 28.93 小时真实歌曲和 29.40 小时深度伪造歌曲片段，评估了四个最先进的口语对抗系统，发现在 SingFake 上训练相对于在口语测试数据上训练有显著改进，但也提出了未知歌手、通信编解码器、语言和音乐背景等挑战。

    Sep, 2023

  • Deepfakes 生成和检测：现状、挑战、对策和发展方向

    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

  • 揭示幻觉：理解人类对音视频深度伪造的感知

    人们对深度伪造视频的感知能力进行主观研究，结果显示机器学习模型相对于人类在同样的 40 个视频上有更好的表现，而人们又往往高估了自己的检测能力。这一研究结果有助于对比人类和机器的性能、推进法医分析，并实现自适应对策。

    May, 2024

  • 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

  • 利用深度学习方法进行深度伪造检测：综述

    本论文旨在探讨不同的方法学以实现具有更高准确度的低成本模型，以检测 Deepfake，并解决数据集的泛化问题。

    Apr, 2023

  • DeepFakes: 一项新的人脸识别威胁？评估和检测

    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

  • 深度伪造音频的系统指纹识别：一份初始数据集和调查

    本论文提出了一个用于系统指纹识别的 deepfake 音频数据集，并进行了初步调查，数据集由五个语音合成系统使用最先进的深度学习技术收集而成，为系统指纹识别方法的开发提供了一些基准和研究发现。

    Aug, 2022

  • DeepFake 检测：当前的挑战和下一步

    本文讨论了 AI 算法生成的高质量伪造视频和音频（deep fakes）对于作为事件确定证据的视频和音频的挑战，强调了其中的一些挑战并探讨了相关研究机会。

    Mar, 2020