Deepfake论文阅读

最新推荐文章于 2024-06-25 09:51:45 发布

czmjy

最新推荐文章于 2024-06-25 09:51:45 发布

阅读量458

点赞数

文章标签：深度学习人工智能神经网络

本文链接：https://blog.csdn.net/czmjy/article/details/127521342

版权

FWA:Exposing Deepfake videos by detecting face warping artifacts [CVPRW2019]

切入点：假脸替换到目标人脸的仿射变换过程中会产生伪影（被替换人脸部位与周围部位分辨率不一致）

亮点：不是直接使用Deepfake视频作为负样本训练，而是通过模拟分辨率不一致性简化训练过程

Mesnoet：a compact facial video forgery detection network

基于图像噪声的微观分析不能应用于图像噪声被强降噪的压缩视频环境中。同样，在更高的语义水平上，特别是当图像描绘的是人脸时，人眼很难分辨出伪造的图像。因此作者建议采用一种中间方法，使用具有少量层的深层神经网络.

Capsuleforensics: Using capsule networks to detect forged images andvideos [ICASSP 2019]

胶囊网络。网络参数较低。检测打印图像或录制视频的重放攻击，或GAN生成的假视频。

LRNet：Improving the Efficiency and Robustness of Deepfakes Detection through Precise Geometric Features [CVPRW2021]

切入点：提取精确的几何特征进行时间建模来检测Deepfake视频。具体为，先抽取人脸关键点，针对现有方法抽取人脸关键点精确率不高的问题，提出校准模块，利用光流预测下一帧的关键点位置后，和下一帧抽取的关键点用Kalman filter做融合，最后把校准后的关键点

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

czmjy

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

Deepfakes论文总结

一位不是很硕的鉴伪方向硕士

10-18

2351

目前的deepfake检测，从检测层级上讲有两类：一类工作认为，深度伪造检测，应该检测伪造过程中底层的artifact，比如本文中的[5,6,7,8]。这类文章通常非常善于设计网络架构、设计数据增强方式，设计loss等等，泛化性较差。另一类工作认为，深度伪造检测，应该关注伪造过程中难以复制的高层语义信息。比如本文中的[1,2,3,4,10]。这类文章通常不太在意底层网络架构（即使他们会使用各种各样的特征抽取器），而更关注网络抽取出的时序语义（目前还无工作基于图片语义），泛化性较好。

论文阅读-通过精确的几何特征提高Deepfakes检测的效率和稳健性（LR-Net）

一位不是很硕的鉴伪方向硕士

05-18

1401

作者提出了一个有效和健壮的框架LRNet，通过对精确的几何特征进行时间建模来检测Deepfakes视频。作者引入了一种新的标志校准模块以提高几何特征的精度和时间建模的有效性。作者构造了一个双流递归神经网络(RNN)来充分利用时间特征。与以前的方法相比，作者提出的方法重量更轻量，更容易训练，并且在检测高度压缩或噪声污染的视频中表现出鲁棒性。

1 条评论您还未登录，请先登录后发表或查看评论

论文总结：Deepfake

weixin_46808382的博客

12-03

781

non-detailed summary about Deepfakenormally deepfake is to generate/control humans images. for example, take on clothes during virtual shopping, change actors’ face and so on.deepfake consists of reenactment, replacement, editing and synthesis.reenactment

推荐使用 Capsule-Forensics-v2 检测虚假图像和视频

最新发布

gitblog_00053的博客

06-25

260

最新最全论文合集——Deepfake

AI_Conf的博客

02-26

1373

AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。必读论文：https://www.aminer.cn/topic 论文集地址：https:/.

deepfake论文40篇汇总

idol24的博客

06-05

7915

点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！戳我，查看GAN的系列专辑~！Deepfake这个词是“深度学习”和“伪造假冒（fake）”的...

论文阅读-Voice-Face Homogeneity Tells Deepfake（VFD多模态鉴伪）

一位不是很硕的鉴伪方向硕士

10-18

1412

1)提出语音人脸匹配检测模型（VFD）。通过面部与音频的内在相关性进行deepfake检测，学习面部和音频本质特征，拉近匹配的音视频，分离不匹配的音视频。 2)预训练-微调范式减轻了对辅助数据的要求，减少甚至不用微调伪造数据集，可以快速迁移到各种deepfake数据集，而不是关注指定的人脸区域。

论文阅读：The Creation and Detection of Deepfakes A Survey

landing_guy_的博客

11-11

1304

介绍一篇比较全的deepfake综述

论文阅读笔记——【Seq-DeepFake】Detecting and Recovering Sequential DeepFake Manipulation

sinat_39223177的博客

03-02

1768

1.建立并开源了全球首个Seq-deepfake数据集2.可以篡改检测，还可以根据检测出的篡改序列，逆序还原出原始人脸图像3.提出了一个简单且有效的Seq-DeepFake Transformer方案。

论文阅读：DeepFake-Adapter: Dual-Level Adapter for DeepFake Detection（Deepfake模型快速调参）

一位不是很硕的鉴伪方向硕士

07-05

441

提出了一个针对深度伪造模型的高效的参数微调方法，考虑ViT模型能够提取到高级的语义信息，本研究利用参数微调方法微调ViT模型用于深度伪造检测。

论文阅读笔记—— Multi-attentional Deepfake Detection

sinat_39223177的博客

01-22

1193

此外，对于不同的输入图像，我们希望每个注意图都位于固定的语义区域，例如不同图像中的注意图A1聚焦于眼睛，A2聚焦于嘴巴。这主要是因为FF++(LQ)中的视频是高度压缩的，会造成纹理信息的严重损失，这对我们的纹理增强设计是一个灾难。其中α为特征中心的更新速率，在每个训练历元后衰减α。然而，考虑到不同区域范围之间的差异，如果使用传统的全局平均池化，则池化的特征向量会受到注意图强度的影响，违背了关注纹理信息的目的。B为批大小，M为关注数，min为特征与对应的特征中心之间的余量，当yi为0和1时取不同的值。

论文阅读-Joint Audio-Visual Deepfake Detection（音视频Deepfake检测）

一位不是很硕的鉴伪方向硕士

11-24

2152

本文提出一种新的视觉-听觉Deepfake联合检测任务，利用视觉和听觉两种模式之间的内在关系可以帮助deepfake检测。

【论文笔记】Unmasking DeepFakes with simple Features

MENGM0

01-11

1168

@MENGM0 本文使用图像的功率谱特征实现了对高分率伪造人脸图片的检测。 Introduction 文章2019年11月发布在arxiv上，提出了使用图像的功率谱（Power Spectrum）作为特征，使用简单的机器学习方法（SVM）进行伪造图像的取证。作者的Github。数据集作者制作了一个名为Faces-HQ的数据集，19GB，真实图片来自CelebA-HQ和Flickr-Faces-...

毕设分享针对Deepfake假脸视频面部细节特征的提取算法（源码+论文）

Maia131的博客

03-18

811

但对于普通人或者知名度比较低的女星来说，与其相关的 Deepfake 视频的影响将会使其名誉受损，难以自辩。对 Deepfake 假脸视频的面部细节特征提取算法的研究，首先是提取视频图像的面部特征，能够挖掘合成视频与原始视频的差异，可以更好地判别真假视频。1.本次实验所提取的 SURF 特征和 ELA 特征都是比较新颖的特征，国内外有所研究但很少与检测 Deepfake 视频联系起来，本次实验导师提出将这几个方面结合起来，实验效果表现良好。1.2 Deepfake 简介……2.6.1 线性可分。

关于论文《Deep Convolutional Pooling Transformer forDeepfake Detection》阅读笔记

weixin_56180495的博客

12-29

455

这篇论文先用CNN进行特征提取，随后输入到transformer中，但对transformer进行了改动，将transformer划分为3个阶段，每个阶段之后跟着一个全局池化操作，目的是为了降低特征的尺寸。MLP是一种全连接的神经网络结构，其目的是通过学习从卷积层提取的高级特征来执行分类、回归等任务。MLP的每个神经元与前一层的所有神经元相连接，因此MLP能够学习输入数据中的更复杂的模式和表示。3.一维向量输入到MLP中，MLP学习将这些高级特征映射到最终的输出，如分类标签。学习输入数据的局部特征。

DeepFake Detection Based on Discrepancies

qq_40790852的博客

09-16

843

论文简读《DeepFake Detection Based on Discrepancies Between Faces and their Context》这篇论文发表在IEEE transactions on pattern analysis and machine intelligence，出版时间：2021-Jun-29 基于面孔和背景差异的deepfake检测这篇论文提出了一种识别假图像的新信号，该信号是基于比较内部面部区域(直接操作的区域)和外部环境(我们所知的所有面部操作方法都不会改变

科研学习|论文解读——CVPR 2021 人脸造假检测（论文合集）

也许有一天我们再相逢睁开眼睛看清楚我才是英雄！

04-28

2209

deepfake的人脸伪造技术在互联网上广泛传播，并引起了严重的社会关注。近年来，如何检测此类伪造内容已成为一个研究热点，并提出了许多深度伪造检测方法。其中，大多数将深度伪造检测建模为普通的二元分类问题，即首先使用骨干网络提取全局特征，然后将其输入二元分类器(real/fake)。但由于这个任务中，真实图像和虚假图像之间的差异通常是微妙和局部的，我们认为这种香草解决方案不是最优的。在本文中，我们将深度伪造检测描述为一个细粒度的分类问题，并提出了一种新的多注意力深度伪造检测网络。

论文阅读：Exposing DeepFake Videos By Detecting FaceWarping Artifacts

weixin_42474594的博客

04-16

4572

论文阅读：Exposing DeepFake Videos By Detecting FaceWarping Artifacts 现在对于论文阅读还是比较头疼，很多翻译都很奇怪，还是要提高英语能力啊，心酸菜鸡在线叹气。这篇论文主要是给大家一些资料的收集整理，避免琐碎麻烦的工作，主要的干货也没有很多，如果要认真研究还需要自己自己阅读论文噢。本篇论文全文获取 Motivation 这篇文章是的主要出发...

deepfake眨眼

10-04

Deepfake视频中的眨眼通常是不自然的。由于用于训练神经网络的图像数据往往是睁着眼睛的，Deepfake视频中人物的眨眼或不眨眼的方式往往与正常生理学规律不符。奥尔巴尼大学的研究人员发表的论文提出了一种可以检测Deepfake视频中不自然眨眼的技术。该技术使用了深度学习的方法，通过训练神经网络定位眨眼片段，并找出非自然眨眼运动的一系列帧。通过这种方法，可以识别出哪些是原始视频，哪些是Deepfake视频。 123 #### 引用[.reference_title] - *1* *2* [DeepFake学习记录（不更新了，该方向直接劝退）](https://blog.csdn.net/kaidikake/article/details/105224241)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *3* [Deepfake——深度造假视频在智能城市中的风险](https://blog.csdn.net/Chahot/article/details/123547095)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]