Nov, 2024

探索深度信息以检测被操纵的面部视频

HTML
PDF
TL;DR本研究针对面部操纵检测中对面部深度图重视不足的问题，提出将面部深度图作为辅助信息来增强检测的鲁棒性。通过引入面部深度图变换器 (FDMT) 来逐块估计面部深度图，并结合多头深度注意力机制 (MDA) 和RGB-深度不一致注意力模块 (RDIA)，有效捕捉操纵造成的局部深度异常。实验结果表明，所提方法在面部操纵检测中具有显著优势。
发现论文，激发创造
  • FaceForensics：一种用于在人脸中检测伪造的大规模视频数据集

    通过引入新的半百万级别的面部操作数据集，本文提出了对诸如经典图像取证分类、分割、以及众多优化方法进行基准测试、鉴定的处理任务，包括压缩不同质量级别下的视频，并达到超越现有所有视频操纵数据集一个数量级的状态，旨在通过根据目标制作难以区分的赝品来进行基准评估。

    Mar, 2018

  • FaceForensics++: 检测篡改的面部图像学习

    本文对当前合成图像生成和处理技术的发展进行了探讨，并提出了一个基于 DeepFakes，Face2Face，FaceSwap 和 NeuralTextures 的面部操作检测基准，包括超过 180 万个操纵图像的数据库，并通过数据驱动型假冒检测器的详尽分析证明了使用额外领域特定知识的方法能够显著提高假冒检测的准确性。

    Jan, 2019

  • 基于循环卷积策略的视频人脸篡改检测

    为了解决合成图像和视频中不实信息的传播，本文研究了深度学习模型在视频中检测已篡改面部信息的方法，并通过利用时序信息的深度学习模型和领域专属的预处理技术，提高了公开数据集上现有技术的表现。

    May, 2019

  • 关于数字人脸篡改的检测

    利用注意机制改善学习到的特征图，提高二分类（真实脸或伪造脸）的准确性和可视化处理后的伪造部位，通过大规模数据库的实验，证明了注意机制在人脸伪造检测和定位的有效性。

    Oct, 2019

  • DeepFakes和更多：人脸处理和假图检测综述

    本文综述了利用大规模公共数据库及深度学习技术（尤其是生成对抗网络）生成逼真虚假内容的技术及其在虚假新闻时代的社会影响，包括 DeepFake、面部属性操作和面部表情交换等四种类型的面部操纵技术，以及检测这些操纵方法的关键技术。同时，我们详细介绍了每种操纵类型的技术、公共数据库和关键指标，并着重介绍了最新一代的 DeepFakes 在虚假检测方面的改进和挑战。除了综述信息外，我们也讨论了该领域的未解决问题和未来趋势。

    Jan, 2020

  • 基于CNN集合的视频人脸篡改检测

    本文提出了一种使用ensembles方法来判断现代面部操作技术的视频序列的面部操作检测的解决方案，该方案使用了基于卷积神经网络的不同模型，并结合了EfficientNetB4、注意力层和连体训练等不同概念，针对以上两个概念结合的模型，本文在两个公开数据集上测试得出了令人期待的结果。

    Apr, 2020

  • VideoForensicsHQ：检测高质量的经过篡改的人脸视频

    本文提出了一种新的人脸视频伪造检测数据集和检测器，通过使用空间和时间特征的组合，可以更准确地检测和识别被肉眼难以发现的视频伪造，且该方法具有更好的检测准确性和泛化能力。

    May, 2020

  • 面部篡改的深度检测

    本文提出了一种基于深度学习的人脸操作检测方法，包括特征提取和二进制分类两个阶段，并采用三元组损失函数来更好地区分真实面孔和伪造面孔，实验结果表明该方法的性能大多数情况下优于现有技术。

    Sep, 2020

  • 基于面部区域位移轨迹序列的人脸伪造检测

    利用基于深度学习的技术来鉴别伪造的面部操作视频，特别是针对基于强制仿射变换的面部偏移位移轨迹进行提取和多维度的神经病网络构建，其中虚拟锚点和时空图注意力和门控循环单元成功检测出现多重伪造训练数据集中的假视频，该方法表现出了竞争力。

    Dec, 2022

  • 学习发现面部伪造检测中的伪造线索

    本研究解决了面部伪造检测中缺乏有效无配对样本的伪造线索定位的问题。提出了一种名为FoCus的弱监督模型，通过分类注意区域提议模块和互补学习模块来准确定位伪造线索，进而提升面部伪造检测器的性能。实验结果表明，FoCus在多种数据集上表现出优越的可解释性和鲁棒性。

    Sep, 2024