Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data（主动防御）

一、论文信息

论文：Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data

会议：ICCV2021

作者团队：

二、创新与贡献

现有的Deepfake检测工作虽有很高的准确率，但受限于生成技术的进步和检测技术的对抗，均为被动式深度检测。本文通过在模型中引入人工指纹来寻求一种主动和可持续的检测方案，通过将人工指纹引入到生成模型，使识别和追踪成为可能。本文主要有以下几个贡献：

1. 将图像隐写与GANs协同起来应用于深伪鉴别和归因，提出了第一个主动和可持续的深伪鉴别方法。

2. 本文证实了人工指纹可以从训练数据转移到生成模型，然后转移到所有生成的deepfakes，且只有基于深度学习的指纹识别技术可以转移到生成模型，而传统的隐写与水印技术不行。

3. 本文提出的方法有以下几点优点：1）普遍性，适用于各种尖端的生成模型；2）保真度，对生成质量的副作用忽略不计；3）鲁棒性，对许多干扰保持鲁棒；4）保密性，人造指纹很难被发现；5）deepfake检测，将deepfake检测和归因转换为较小的任务，准确度超过当时SOTA。

三、方法