精细骨干网络的面部伪造检测
构建了最大的公共面部伪造数据集ForgeryNet,涉及2.9百万张图片和221,247个视频,在图像和视频级数据上包含4个任务:图像伪造分类、空间伪造定位、视频伪造分类、和时间伪造定位,提供了对面部鉴定算法的完整评价。
Mar, 2021
本文提出了一种基于神经架构搜索(NAS)的端到端框架,用于深度伪造检测,可自动设计网络架构,包括基于搜索空间的合适操作选择、新颖的性能评估度量、考虑跨数据集搜索并最终采用多级金字塔式连接进行伪造分类,并在数据集内和跨数据集方案中表现出竞争性能。
Jun, 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
DeepFidelity和SSAAFormer是一种新的深度伪造检测框架和网络结构,能够自适应地区分具有不同图像质量的真实和伪造人脸图像,并在多个基准数据集上展现出优势。
Dec, 2023
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
提出了一种名为Selective Domain-Invariant Feature (SDIF)的新型框架,通过融合内容特征和样式来减少对面部伪造的敏感性,并使用动态特征提取模块生成具有多样样式的特征,最终使用领域分离策略来帮助区分真实和伪造的面部。在现有基准和提案中的定性和定量结果证明了我们方法的有效性。
Mar, 2024
本研究针对深度伪造检测中模型无法充分捕捉伪造特征的问题,提出了一种名为MkfaNet的高效网络架构。该架构结合空间和频率两个模块,通过自适应选择和加权特征,显著提高了真实与虚假样本的区分性能。实验表明,该方法在多项基准测试中展示了卓越的检测效果和参数使用效率。
Aug, 2024
本研究针对人脸伪造分析中,现有数据集缺乏对伪造技术和面部特征的详细描述的问题,提出了一个创新的开放世界人脸伪造分析任务及相应基准。通过建立一个包含真实与伪造面孔图像及其描述的数据集,并引入基于多模态大语言模型及多答案智能决策系统的FFAA助手,该方法显著提高了分析的准确性和可解释性,对人脸伪造检测具有重要意义。
Aug, 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