Jul, 2024

TGIF: 文本引导修复伪造数据集

HTML
PDF
TL;DR借助生成式人工智能技术，数字图像处理变得越来越容易获取和逼真。最近的发展使得利用文本进行指导的修复变得可能，从而实现了仅需最小努力的高级图像编辑。然而，这给数字媒体取证带来了新的挑战。本研究引入了TGIF数据集，这是一个全面的图像合成伪造检测数据集，旨在支持图像伪造定位和合成图像检测方法的训练和评估。利用TGIF数据集，评估了多种先进的图像伪造定位和合成图像检测方法，发现传统方法无法有效检测到生成式修复图像，且它们对于强压缩更加敏感。因此，本研究旨在促进更具能力的图像伪造定位和合成图像检测方法的开发。
发现论文，激发创造
  • ForensicTransfer：弱监督领域自适应用于伪造检测

    在图像伪造不断更新的现今，卷积神经网络和自编码结构的Forensic-Transfer方法可以提高图像伪造检测的可迁移性并显著提高性能。

    Dec, 2018

  • TransForensics: 基于密集自注意力的图像篡改定位

    提出了一种基于 Transformers 的图像伪造定位方法 TransForensics，结合密集自注意力编码器和密集校正模块用于模拟全局上下文和不同尺度下的本地补丁之间的所有成对相互作用，该方法不仅可以捕捉有区分性的表示并获得高质量的蒙版预测，而且不受篡改类型和补丁序列顺序的限制，在主要基准测试中表现优于现有的现有方法。

    Aug, 2021

  • 分层细粒度图像伪造检测和定位

    针对使用CNN合成图像与图像编辑两个领域生成的图像伪造属性差异巨大，难以实现统一的图像伪造检测和定位（IFDL）挑战，我们提出了一种分层细粒度的IFDL表示学习方法，其中包括多分支特征提取器，定位和分类模块，能够有效地检测并在像素级和图像级别上定位和分类伪造区域。

    Mar, 2023

  • AutoSplice: 一份文本操作图像数据集，用于媒体取证

    本研究旨在调查语言-图像模型对媒体取证的挑战水平。为此，我们提出了一种新方法，利用DALL-E2语言-图像模型自动生成和拼接由文本提示引导的遮蔽区域，并生成包含5,894个经过操作和真实图像的新图像数据集AutoSplice。利用该数据集进行图像篡改检测和定位实验，结果表明，大多数媒体取证模型难以识别AutoSplice数据集，但使用微调模型可以取得更好的效果。

    Apr, 2023

  • 检测任何Deepfakes：分割任何物体相遇面部伪造检测和定位

    基于Segment Anything Model的Detect Any Deepfakes (DADF)，通过Reconstruction Guided Attention模块优化了端到端的伪造检测和定位，在三个基准数据集上都取得了优秀的表现。

    Jun, 2023

  • UMMAFormer：一种用于时间伪造定位的通用多模式自适应Transformer框架

    提出UMMAFormer，一种新颖的通用Transformer框架，用于时序伪造定位，通过多模态适应预测伪造段，包括引入基于时序特征重建的时序特征异常关注模块（TFAA）以增强时序差异的检测，设计用于微妙特征增强的平行交叉关注特征金字塔网络（PCA-FPN），并构建适用于视频修复场景的新型时序视频修复定位（TVIL）数据集，实验结果表明我们的方法在众多基准数据集上取得了最优性能。

    Aug, 2023

  • UVL: 一个统一的视频篡改定位框架

    通过提取合成伪造物的共同特征，如合成边缘的边界伪影、生成像素的不自然分布以及伪造区域与原始区域之间的非相关性，我们提出了一种新颖的统一视频篡改定位框架UVL，它在检测未知视频方面具有优异的表现，并且对于新的伪造方法非常高效。通过对三种合成伪造类型进行的广泛实验，包括视频修复、视频剪辑和DeepFake，表明所提出的UVL在各种基准测试中取得了领先的性能，并在跨数据集上明显优于现有方法。

    Sep, 2023

  • GenFace：一个大规模细粒度人脸伪造基准和跨外观边缘学习

    我们提出了一个大规模、多样化且高保真度的数据集GenFace，用于推动深度伪造检测的发展，该数据集包含了由先进生成器生成的大量伪造人脸，如扩散模型，并提供了有关操作方法和采用生成器的更详细的标签。此外，我们设计了一种创新的跨外观边缘学习（CAEL）检测器，用于捕获多粒度的外观和边缘全局表示，并检测具有区分性和普遍的伪造痕迹。此外，我们设计了外观-边缘交叉注意力（AECA）模块，以探索两个域之间的各种整合。广泛的实验结果和可视化显示，我们的检测模型在跨生成器、跨伪造和跨数据集评估等不同设置下优于最先进的模型。

    Feb, 2024

  • SafePaint：领域适应的反取证图像修复

    提出了一个用于反取证图像修复的端到端训练框架，名为SafePaint，用于解决生成逼真图像内容时常出现痕迹的问题，并通过领域自适应方法实现反取证的目标

    Apr, 2024

  • FakeShield：基于多模态大语言模型的可解释图像伪造检测与定位

    本研究针对当前图像伪造检测与定位方法的黑箱性和通用性不足的问题，提出了可解释的图像伪造检测与定位任务，设计了FakeShield框架。该框架通过像素级和图像级的伪造线索，对图像真伪进行评估，并生成伪造区域的掩模，实验证明其在多种伪造技术的检测和定位上优于以往方法，具有显著的可解释性。

    Oct, 2024