Jun, 2024

广义深度伪造追溯

PDF
TL;DR我们提出了一种广义的深度伪造归因网络 (GDA-Net)，可以将伪造图像归因于相应的 GAN 架构，即使它们是从不同种子 (cross-seed) 的重新训练版本或现有 GAN 模型的微调版本生成的。与现有方法相比，对 GAN 模型的交叉种子和微调数据进行的大量实验证明了我们的方法的高效性。我们还提供了源代码来验证我们的结果。
fake media creationgenerative adversarial networks (gans)deepfakesattributingcross-seed
发现论文，激发创造
  • 深度伪造网络结构归属

    本文首次研究深度伪造网络架构归属问题，并提出了一种名为 DNA-Det 的有效解决方案，在多个交叉测试设置和大规模数据集上的广泛实验证明了其有效性。

    Feb, 2022

  • 面向开放世界 GAN 生成图像的发现和归因

    通过训练网络、识别不在分布范围内的图像、聚类、合并及优化等多个步骤，我们提出了一种迭代算法，可以高准确率发现来自以前未见过的 Generative Adversarial Networks (GANs) 的图像，同时，该算法在识别真实数据集上的 GAN 时也具有泛化能力，并可应用于在线发现和真假检测。

    May, 2021

  • 通过反演确定源代码生成器

    本文介绍了一种解决图片或视频伪造及版权问题的方法，利用生成对抗网络的投影反演算法在白盒情况下，对合成图像进行属性归因和输入的提取。

    May, 2019

  • 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

  • 利用生成对抗网络增强角色设计师的创造力

    本文使用生成对抗网络的生成结果作为认知组件，以增强角色设计师在为不同的多媒体项目概念化新角色时的创造力。同时，本文通过在新的可视化角色数据集上使用单个图形处理器从头开始训练不同的 GAN 架构（包括转移学习和数据增强技术），并使用混合方法评估了生成视觉品质对角色设计师机构概念化新角色的认知价值。研究表明，本方法对该上下文的实施非常有效，将作为一个由人与机器共同设计的工作流程进一步评估。

    May, 2023

  • 生成逼真的训练数据以提高人脸识别准确性

    本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

    Oct, 2018

  • 野外假人脸图像检测学习

    本研究提出了一个名为 DeepFD 的深度伪造鉴别器，采用对比损失的方法来检测由不同 GAN 生成的计算机生成图像，实验结果表明，DeepFD 可以有效地检测到几种最新的 GAN 生成的 94.7% 假图像。

    Sep, 2018

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 基于条件生成对抗网络的人脸老化

    本文提出了一种基于生成对抗网络 (GAN) 的自动面部老化方法，强调在改变面部属性的同时，保留原始人物身份。通过新颖的 GAN 潜在向量的 “身份保持” 优化方法，通过现有的面部识别和年龄估计解决方案，对所得到的老化和回复面部图像进行客观评价，证明了所提方法的高潜力。

    Feb, 2017

  • 利用生成对抗网络进行服装设计

    本文探讨了生成对抗网络的应用在时尚设计上的可能性。实验表明，基于属性的 GAN（AttGAN）可以成功编辑时装的视觉特性，但也提示着 GAN 在设计概念的属性级别编辑上所存在的一些关键限制和未来需要解决的研究问题。

    Jul, 2020