解耦泛化深伪造检测的伪造语义
本篇论文通过「分离」视觉信息的方法,提出了一种有效解决深度超假的问题的框架,着重考虑了针对具体伪造方法(网络结构、训练数据等)的「过拟合」问题以及如何发现「通用伪造特征」作为泛化的基础。
Apr, 2023
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
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
本文提出了第一种参数高效调节 deepfake 检测模型的方法 DeepFake-Adapter,该方法采用适配器模块从大型预训练 Vision Transformers 中提取高级语义,以有效且高效地帮助 deepfake 检测。通过在 MLP 层旁插入具有全局感知的 Englobed Adapters 和跨越 ViT 特征的局部感知的空间 Adapter,该方法可以将先前训练好的 Vision Transformers 的高级语义与本地和全局低级别伪造的 deepfake 数据的降噪信息相结合,从而提高 deepfake 的准确度和泛化能力。
Jun, 2023
该文研究了多样本领域深度伪造检测模型的泛化能力,提出了一个广义多场景深伪检测框架,并通过领域对齐损失强制调整模型以表示多个数据集中的特定和共同的真实 / 伪造特征。在多源数据上进行的定性和定量实验表明了该方法的有效性。
Jun, 2024
通过增量学习和领域不变表示,以及基于多角度知识蒸馏方法的特征级和标签级正则化,我们的研究提出了一种新型增强型 deepfake 检测模型,通过选择中心和困难样本来更新回放集,并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。
Sep, 2023
通过同时考虑特征、损失和优化方面,我们提出了第一个在深度假像检测中解决公平性泛化问题的方法,采用解缠学习提取人口统计和领域无关的伪造特征,并将它们融合在一起,以在交叉领域的深度假像检测中鼓励公平学习。在知名深度假像数据集上进行的广泛实验证明了我们方法在保持公平性方面的有效性,超过了现有技术水平。
Feb, 2024
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