基于语义的多任务学习用于深伪检测:一种联合嵌入方法
ID-Reveal通过度量学习和对抗性训练策略学习了特定于人物说话时的时间面部特征,从而在没有任何伪造训练数据的情况下,实现面部伪造检测。与现有技术相比,ID-Reveal在面部信息伪造检测上表现出更好的泛化性和鲁棒性。
Dec, 2020
本文提出了一个新的多注意力深度伪造检测网络,该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题,并在多个数据集上展示了该方法在检测深度伪造方面的优越性。
Mar, 2021
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
提出了一种名为Multi-Collaboration and Multi-Supervision Network (MMNet)的方法,用于处理伪造的人脸图像中的各种空间尺度和顺序排列,并在不需要相关操作方法知识的情况下实现恢复,同时提出了一种名为Complete Sequence Matching (CSM)的新的评估指标,反映了在多个推断步骤中检测完整伪造序列的能力。在多个典型数据集上的广泛实验表明,MMNet在检测性能和独立恢复性能方面达到了最先进的水平。
Jul, 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
本文提出了一种基于显示抑制背景噪声和学习多尺度可区分特征的方法,将人脸伪造检测问题归纳为细粒度分类问题,并在不同数据集和伪造技术的实验场景中实验证明了方法的优越性。
Oct, 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
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
本研究解决了开放集人脸伪造检测中的安全威胁与现有检测模型的局限,尤其是无法跨未知伪造领域泛化和适应新数据的问题。通过提出一种新的伪造风格混合方案,增强了模型在未见领域的泛化能力,同时开发了一种基于轻量级视觉变换器的检测模型,实现了参数高效的训练策略,显著减少了可训练参数,并获得了最先进的泛化性能。
Aug, 2024
本研究解决了人脸伪造检测领域中可解释性不足的问题,通过将检测任务转化为视觉问答任务(VQA),有效评估模型的推理能力。提出的多阶段方法不仅在二元任务中评估模型表现,还通过识别细粒度操控区域提升检测的准确性,最终提供了对多种模型的系统比较,推动了人脸伪造检测的研究进展。
Oct, 2024