探索真实世界深度伪造检测的新境界:WildDeepfake
随着深度学习技术的发展,一种名为“深度伪造”(Deepfake)的面部替换技术被滥用,引发了公众对信息真实性的广泛关注。深度伪造能够在不留下明显痕迹的情况下将一个人在视频中的脸替换成另一个人的脸。尽管已经有了诸如DeepfakeDetection和FaceForensics++等数据集来推动深度伪造检测技术的进步,但这些数据集中真实的视频大多由有限场景下的少数志愿者演员拍摄,而假视频则是使用几款流行软件制作。当把这些检测器应用于更广泛的野生(即互联网上的)深度伪造视频时,它们的效果可能会大打折扣。
为了更好地支持对抗现实世界的深度伪造,我们向您隆重推出WildDeepfake——一个完全来源于互联网的深度伪造检测挑战性数据集。这个数据集包含了来自707个深伪视频的7,314个脸部序列,充分展示了深度伪造在现实生活中的多样性与复杂性。
数据集特色
- 源自互联网: WildDeepfake的数据源于真实世界的网络视频,使模型能够应对更广泛的真实世界深度伪造情况。
- 多样性和规模: 包含707个不同的视频源,提供了一个小规模但具有挑战性的数据集,补充了现有的深度伪造检测资源。
- 隐私保护: 我们采取严格的措施确保面部隐私,只发布脸部序列,而非原始视频,并对申请人进行严格的身份验证和使用协议签署。
技术创新
WildDeepfake不仅仅是一个数据集,它还伴随着我们提出的2D和3D注意力驱动的深度伪造检测网络(ADDNets)。通过利用真实/虚假脸部的注意力掩模,ADDNets提升了检测效果,实验证明其在现有和WildDeepfake数据集上均表现出良好的性能。
应用场景
WildDeepfake适用于以下领域:
- 深度伪造检测研究: 对抗深度伪造技术的前沿研究人员可以利用这个数据集开发更有效的检测算法。
- 安全监控: 在社交媒体和视频分享平台中,防止误导信息传播,确保信息真实性。
- 人工智能教育: 教育学生识别并防范深度伪造技术的潜在风险。
挑战与表现
通过对一系列基线检测网络的系统评估,我们在WildDeepfake和现有数据集上展示了WildDeepfake的挑战性,结果显示,检测性能在WildDeepfake上会大幅下降。
现在,您可以从我们的链接下载数据集,加入这场对抗深度伪造的前沿之战。我们相信,WildDeepfake将引领深度伪造检测技术走向新的高度,帮助我们构建更加安全的数字环境。
让我们共同探索,为信息的真实性保驾护航!