May, 2024

利用流浪学习捕捉面部伪造的模糊异常

PDF
TL;DR本研究提出了一种名为 “偏离学习” 的方法，通过混合高频组件的混合伪造语义（称为异常）进入真实的图像，从而消除了将模型偏向特定语义的偏见，提高了模型的泛化能力和检测公平性。
deepfake detectiongeneralizabilityfairnessastray-learningaberrations
发现论文，激发创造
  • 解耦泛化深伪造检测的伪造语义

    我们提出了一种新颖的方法，通过语义解耦来检测 DeepFakes，提高检测的泛化能力。

    Jun, 2024

  • 人脸伪造的语义上下文化：新的定义、数据集和检测方法

    通过定义改变语义脸部属性以超过人类辨别阈值的计算方法，构建一个大型脸部伪造图像数据集，并提出了一个以语义为导向的脸部伪造检测方法，展示了该数据集在揭示当前检测器的弱点以及提高其泛化能力方面的优越性。

    May, 2024

  • 通过对抗语义蒙版实现难以察觉的人脸伪造攻击

    提出了一种具有良好迁移性和隐蔽性的对抗语义掩码攻击框架 (ASMA)，该框架使用了语义掩码来生成具有局部语义区域中的扰动的对抗样本，并通过自适应语义掩码选择策略提高了攻击的迁移性和隐蔽性。与其他对抗攻击方法相比，该方法在公共人脸伪造数据集上具有卓越的性能。

    Jun, 2024

  • 自监督学习对抗示例：朝着深度伪造检测的良好泛化

    利用主动合成的伪造图像进行深度学习的泛化辨别，提出了一种新的深度伪造检测方法，该方法使用一种泛化表示，并通过增加伪造的多样性和扩展敏感性来提高检测效果，采用了对抗训练策略，能获得更好的性能表现。

    Mar, 2022

  • 揭示欺诈行为：深度伪造检测中的更多伪造线索揭示

    通过提取多个非重叠的局部表征并将它们融合成全局的语义丰富特征，凭借信息瓶颈理论派生局部信息损失，保证局部表征的正交性同时保留全面的任务相关信息，通过互信息的理论分析得到全局信息损失，最终达到融合局部表征并且去除任务无关信息的目的，实证结果在五个基准数据集上取得了最新的性能，我们的代码可以在 https://github.com/QingyuLiu/Exposing-the-Deception 访问，希望能够激发研究人员的灵感。

    Mar, 2024

  • 超越造假特异性的潜在空间增强用于通用深度伪造检测

    通过扩充潜在空间中的伪造特征的变化和模拟，在改善深假检测器过拟合的同时，实现了更加泛化的决策边界，从而使得所提出的方法在多个广泛使用的基准测试中超越了现有技术。

    Nov, 2023

  • 面向通用视觉语言人脸伪造检测

    通过引入细粒度提示和粗细联合训练框架，提出了一种名为视觉语言人脸伪造检测（VLFFD）的新范式，以解决针对深度伪造的检测模型缺乏语义信息和解释性的问题，并在多个具有挑战性的基准测试中证明了该方法对现有的检测模型有所改进。

    Jul, 2023

  • 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

  • 对抗消除伪造脸部图像的反事实解释

    通过艺术品去除的视角提供了人脸伪造检测的反事实解释，并成功实现了对抗攻击的可转移性。

    Apr, 2024

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023