Jun, 2024

GM-DF：广义多场景深假检测

PDF
TL;DR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。
face forgery detectiondeepfake detection modelsmulti-dataset traininggeneralization capacitydomain-specific real/forgery feature extraction
发现论文，激发创造
  • DFIL：利用领域不变伪造线索进行 Deepfake 增量学习

    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

  • 细粒度元人脸防欺骗的正则化

    本文提出了一种基于元学习的面部防欺诈域泛化方法，该方法以细粒度学习策略和领域知识正则化作为核心，以优化元学习过程并提高面部防欺诈模型的泛化能力，实验结果表明其有效性。

    Nov, 2019

  • 利用再构和混合图像以及多尺度特征再构神经网络进行广义深度伪造检测

    通过生成合成的混合图像并利用多尺度特征重建网络，实现更好的跨操作检测和跨数据集检测性能。

    Dec, 2023

  • 一款探测器，称霸所有：通向通用深度伪装攻击检测框架

    通过引入卷积 LSTM 残差网络（CLRNet）并探索深度伪造（DeepFake）中的时空信息，我们提出了一种更通用的方法来检测由多种方法产生的深度伪造，包括 DeepFake-in-the-Wild（DFW），此方法在多个基准数据集上表现良好并进行了评估。

    May, 2021

  • 深度伪造检测中通过多任务学习探索普适性注意力

    本研究探讨了多任务学习技术的各种方式，旨在将视频分类为原始或经过操纵的情况，以在深度伪造场景中达到广义性。我们在评估中使用的数据集是 FaceForensics++，其中包括通过四种不同技术进行操纵的 1000 个原始视频，共计 5000 个视频。我们对多任务学习和对比技术进行了大量实验，这些技术在文献中已经很好地研究了其广义性的好处。可以得出结论，所提出的检测模型具有较好的广义性，即与最先进的方法相比，能够准确地检测训练过程中未遇到的操纵方法。

    Aug, 2023

  • 基于面部特征引导适应的视频深度伪造检测的进一步普适化

    通过在 Foundation Models 中加入富信息，利用了 CLIP 的图像编码器和 Facial Component Guidance 以提高 Deepfake 检测的鲁棒性和泛化性能。在跨数据集的评估中，我们的方法在识别未见过的 Deepfake 样本方面表现出卓越的有效性，并取得了显著的性能提升。

    Apr, 2024

  • 在深假检测中保持公平性泛化

    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

  • UCF: 揭示通用深度伪造检测的共同特征

    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

  • D$^3$: 通过学习差异扩大深伪检测规模

    通过引入并行网络分支，以失真图像作为额外的差异信号来补充原始图像，我们的 Discrepancy Deepfake Detector (D^3) 框架能够学习来自多个生成器的通用特征，从而在对抗各种生成模型时实现更好的泛化和鲁棒性。

    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