ECCV 2022 An Information Theoretic Approach for Attention-Driven Face Forgery Detection

最新推荐文章于 2025-04-26 16:31:17 发布
最新推荐文章于 2025-04-26 16:31:17 发布
阅读量273 收藏 1
点赞数 1
文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CIOT15/article/details/129439067
版权
文章提出了一种名为SIA的模块，基于信息论中的自信息分析，用于强化伪造图像特征表达。SIA模块包括自信息计算、双重视觉注意力和自信息聚合，能有效捕捉局部高频线索和细节，尤其适用于人脸伪造检测任务。实验表明，SIA在模型的浅层和中间层插入能提高性能，避免下采样造成的细节丢失。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、背景

我们最近的观察表明，大多数伪造线索都隐藏在信息区，这可以通过经典的信息最大化理论进行定量测量。因此我们第一个尝试使用信息论的手段去强化伪造区域的特征表达。在此基础上我们提出了SIA模块。

二、方法

Self-Information Analysis

自信息⽤来衡量单⼀事件发⽣时所包含的信息量多寡。

我们认为伪造区域与它相邻的neighbour patch 的差异越大，其包含的信息量就越多。

论文的方法示意图如下。主要包含三个模块Self  Imformation Computation（计算输入特征图的high-Imformation 区域,输出一个attention map）、Self-Imformation based Dual Attention（同时使用通道注意力和空间注意力去最大化自信息的效果），Self-Imformation aggreation（将所有自信息的特征图送入SIA从而最大程度的保留细节区域）

Self-Information Computation

我们将输入到第t层的SIA模块特征记作

将第k个通道的（i

最低0.47元/天 解锁文章
赛博摸鱼
关注
【C2C+GRCC】Exploring Disentangled Content Information for Face Forgery Detection
sinat_39223177的博客
12-21 92
我们观察到检测器可能不再挖掘难以捕获的伪影痕迹，而是过度拟合某些内容信息，从而导致泛化失败，这为人脸伪造检测带来了新的视角。【新视角吧】易于嵌入的内容信息去除解耦框架+内容一致性约束（C2C）+全局表示对比约束（GRCC）注：仅供学习交流。
ECCV 2022 | 腾讯优图29篇论文简介，含人脸安全、图像分割、目标检测等多个研究方向...
idol24的博客
07-14 1817
来源：腾讯优图近日，欧洲计算机视觉国际会议ECCV 2022（European Conference on Computer Vision）发布了论文录用结果。本届ECCV 2022论文总投稿数超过8170篇，其中1629篇论文中选，录用率不足20%。ECCV（European Conference on Computer Vision)是国际顶尖的计算机视觉会议之一，每...
视频预测相关方法记录
Tsingzao的博客
09-02 3335
1、《Efficient and Information-Preserving Future Frame Prediction and Beyond》 网络结构包括：编码、预测、解码 三部分内容。主要内容是引入two-way的方式。 原文链接：https://openreview.net/pdf?id=B1eY_pVYvB 代码连接：https://github.com/GilgameshYu/CrevNet-Traffic4cast ...
立体匹配-ITSA-CVPR2022论文学习笔记
Learning
03-29 4014
ITSA-CVPR2022论文学习笔记
2018CVPR_Future Frame Prediction for Anomaly Detection – A New Baseline
张家四少
07-03 2884
论文链接：https://arxiv.org/pdf/1712.09867.pdf 代码链接：https://github.com/stevenLiuWen/ano_pred_cvpr2018 摘要 视频中的异常检测是指识别与预期行为不相符的事件。然而，现有方法都通过最小化训练数据的重构误差来解决问题，这在异常事件检测中并不适用。 本文是第一个利用预测帧和ground truth之间的差别来完成异常事件检测的任务。 为了解决上述问题，除了在intensity和gradient上使用appearan
2020年 ICLR 国际会议最终接受论文(poster-paper)列表(二)
热门推荐
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-02-21     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
【ECCV2020】接收论文列表part1
TomRen
07-18 7010
ECCV2020 接收论文完整列表 看论文学CV
异常检测Future Frame Prediction for Anomaly Detection论文阅读
u013269668的博客
11-03 2211
[异常检测]Future Frame Prediction for Anomaly Detection论文阅读 [原文地址]https://arxiv.org/abs/1712.09867v2 学习点 主要是看论文的记录： 创新： 把视频帧的预测应用于异常检测。其思想是正常事件未来是可预测的，异常事件未来是不可预测的。 把时间约束（光流）加入到视频预测框架中 网络框架： 使用修改过的...
顶会速递 | ICLR 2020录用论文全集
语言智能技术笔记簿
03-10 1万+
由深度学习三巨头Yoshua Bengio和Yann LeCun牵头创办的人工智能顶会ICLR今年最终收到2594篇投稿，共687篇论文被接收，其中48篇orals，108篇spotlights，531篇posters，录取率为26.5%，相比去年的31.4%略有下降。华人学者占比为47%。这篇博客为大家列出全部录用的论文列表，方便大家自取。
2021.06.16组会汇报 Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
qq_40876059的博客
06-18 3300
2021.06.16组会汇报 Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting1. 相关背景2. 主要问题2.1 ProbSparse Self-attention2.2 Self-attention Distilling2.3 Generative Inference3. 实验结果3.1 数据集3.2 单变量长序列时间序列预测实验结果3.3 多变量长序列时间序列预测实验结果3.4 实验结果可视化
深度学习--自然语言处理统计语言与神经语言模型
m0_65065095的博客
04-25 1149
传统的语言模型是基于词袋模型（Bag-of-Words）和one-hot编码展开工作的，即在传统的语言模型中要生成一个句子，其实是拿一堆词语进行拼凑，拼凑出一个句子后我们需要有一个评委来对这个机器生成的句子进行打分和评价，语言模型就是这么一位评委，它会给每个句子打出一个概率值，以表明他们与人类语言的接近程度。
卷积神经网络基础（四）
qq_52889317的博客
04-22 1109
今天我们继续学习各个激活函数层的实现过程。
借助 OpenCV 和 PyTorch 库，利用卷积神经网络提取图像边缘特征
weixin_69327572的博客
04-20 858
python# 定义一个简单的卷积神经网络用于边缘特征提取# 定义一个卷积层，使用Sobel算子的近似卷积核来提取边缘# Sobel算子的x方向卷积核类继承自nn.Module，这是 PyTorch 中所有神经网络模块的基类。__init__方法：：定义一个二维卷积层，输入通道数为 1（灰度图像），输出通道数为 1，卷积核大小为 3x3，步长为 1，填充为 1，不使用偏置。：创建 Sobel 算子的 x 方向卷积核，并将其转换为 PyTorch 张量，同时增加维度以匹配卷积层权重的形状。
深度学习中的“重参数化”总结
basketball616的博客
04-22 641
深度学习中的重参数化（Reparameterization）是一种数学技巧，主要用于解决模型训练过程中随机性操作（如采样）导致的梯度不可导问题。在涉及概率生成的任务中（如变分自编码器VAE），我们希望从潜在变量的分布中采样，这个分布通常是某种分布（例如高斯分布，参数化为均值。（通常为标准分布，如标准正态分布），将随机性转移到外部，使采样过程变为可导操作。重参数化技巧通过引入一个独立的随机变量来解决这个问题，使得采样过程可导。策略网络输出动作分布的参数，通过重参数化采样动作，使梯度可传回策略网络。
LSTM如何解决梯度消失问题
pljnb的博客
04-22 808
在标准RNN中，隐藏状态更新公式为： ht=tanh⁡(Whhht−1+Wxhxt+bh) h_t = \tanh(W_{hh}h_{t-1} + W_{xh}x_t + b_h) ht​=tanh(Whh​ht−1​+Wxh​xt​+bh​) 梯度计算通过链式法则展开： ∂ht∂ht−1=WhhT⋅diag(tanh⁡′(...)) \frac{\partial h_t}{\partial h_{t-1}} = W_{hh}^T \cdot \text{diag}(\tanh'(...)) ∂ht−1​∂
从代码学习深度学习 - 自动并行 PyTorch 版
weixin_43887510的博客
04-23 1239
在深度学习中，计算效率是模型训练和推理的关键。随着硬件性能的提升，特别是多GPU设备的普及，如何高效利用这些计算资源成为一个重要课题。PyTorch 等深度学习框架通过自动构建计算图，提供了自动并行化的能力，使得开发者无需手动编写复杂的并行代码即可实现高效的计算。本文将通过代码示例，深入探讨 PyTorch 中自动并行的实现，涵盖工具函数、GPU并行计算、数据通信以及同步数据并行训练的完整流程，帮助读者从代码层面理解深度学习的并行优化。下载链接。
NLP高频面试题（五十一）——LSTM详解
WeLearnNLP
04-22 319
长短期记忆网络（LSTM）相较于传统循环神经网络（RNN）的核心改进在于通过引入记忆单元（cell state）和门机制（gating mechanism）来有效缓解梯度消失与梯度爆炸问题，从而更好地捕捉长距离依赖关系。在其网络结构中，信息通过输入门（input gate）、遗忘门（forget gate）和输出门（output gate）进行有选择的流入、保留与输出，同时记忆单元内部还包含输入调制门（input modulation gate）以丰富细粒度控制。
从代码学习深度学习 - 编译器和解释器 PyTorch 版
weixin_43887510的博客
04-22 1151
在深度学习的世界中，编程范式对模型开发和部署的效率有着重要影响。命令式编程（imperative programming）和符号式编程（symbolic programming）是两种常见的编程方式，各有优劣。PyTorch 作为一个广受欢迎的深度学习框架，以其灵活的命令式编程而闻名，同时通过 TorchScript 提供了符号式编程的性能优势。本文将通过代码示例，深入探讨命令式编程、符号式编程以及 PyTorch 中的混合式编程，展示如何利用这些技术提升深度学习模型的性能和可移植性。
RNN——循环神经网络
最新发布
2403_87204666的博客
04-26 340
跨时间步跳跃连接（如 ht=ht−1+f(xt,ht−1)ht​=ht−1​+f(xt​,ht−1​)），直接传递梯度。核心机制：通过隐藏状态（hidden State）传递历史信息，每个时间步的输入包含当前数据和前一步的隐藏状态。多输入，多输出（如机器翻译）： 每个时间步接收输入并生成输出（如逐词翻译）。：若权重矩阵特征值 ∣λ∣<1∣λ∣<1，梯度指数级衰减，深层参数无法更新。：若 ∣λ∣>1∣λ∣>1，梯度指数级增长，导致数值溢出或模型震荡。：合并细胞状态和隐藏状态，参数更少。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值