论文阅读-Exploring Frequency Adversarial Attacks for Face Forgery Detection（探索用于人脸伪造检测的频率对抗性攻击）

已于 2023-02-17 13:45:34 修改
阅读量1.8k 收藏 12
点赞数 1
分类专栏： 读论文 文章标签： 人工智能 深度学习 神经网络
于 2022-11-20 20:55:44 首次发布
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/qq_43687860/article/details/127953778
版权
本文探讨了一种针对人脸伪造检测器的频率对抗性攻击策略，旨在创造更隐蔽且不影响图像视觉质量的对抗样本。通过空域和频域的混合攻击，该方法能有效欺骗多种类型的人脸检测器，提升攻击成功率。实验表明，该方法在保持图像质量的同时，提高了对抗攻击的性能。
摘要由CSDN通过智能技术生成

一、论文信息

论文名称：Exploring Frequency Adversarial Attacks for Face Forgery Detection

会议：CVPR 2022

作者团队：

二、动机

        虽然现有的人脸伪造分类器在检测伪造图像取得的性能不错，但很容易受到在像素上注入不可感知的扰动的对抗例子的攻击，同时许多人脸伪造检测器总是利用真假人脸之间的频率差异作为关键线索，本文提出一种针对人脸伪造检测器的频率对抗性攻击方法，这种方法更不易被人类察觉，且不会降低原始图像的视觉质量。还提出基于空域和频域混合对抗性攻击，该方法不仅能有效地欺骗基于空间的检测器，还能有效地欺骗基于频域的检测器。

        b,c为基于空域方法的对抗攻击产生的对抗性例子，我们提出的基于频域的对抗攻击方法能产生更自然的扰动ÿ

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文阅读-Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues(F3Net基于频率感知线索的人脸)
一位不是很硕的鉴伪方向硕士
05-18 1324
随着Deepfake技术不断迭代，检测合成人脸的挑战也越来越多。虽然已有的基于RGB色彩空间的检测技术准确率不错，但是实际中，这些视频随着流媒体传播，视频通常会被多次压缩，而在较低质量的视频中，要想进行检测就比较困难，这也一定程度上启发我们去挖掘频域内的信息。如何才能把频域信息引入到CNN中是一个难点，传统的FFT和DCT不满足平移不变性和局部一致性，因此直接放在CNN可能是不可行的。
一起来了解下无监督对抗攻击检测方法
qq_40427481的博客
10-11 92
基于自编码器的方法则是通过训练自编码器模型来学习正常样本的表征，并将对抗样本进入自编码器进行重构。在传统的有监督学习中，我们通常会使用已经标注好的数据对模型进行训练，以提高模型的准确性和泛化性能。但是，在对抗攻击场景下，面对未知的攻击方式，很难事先获得大量带有标签的对抗样本。未来，随着对抗攻击场景的不断变化和模型的日益复杂化，针对无监督对抗攻击检测方法的研究也将会变得更加迫切和重要。其中，常见的方法包括基于重构误差的方法、基于自编码器的方法、基于潜在空间分布的方法等。
Face Forgery Detection by 3D Decomposition
sinat_39223177的博客
06-02 818
其中面部纹理Ti = [Ri, Gi, Bi] T为第i顶点的反照率，Amb = diag(Ramb, Gamb, Bamb)为环境光的颜色，如图1(b)所示，ni为源自3D网格的顶点法线，l为光照方向，Dir = diag(Rdir, Gdir, Bdir)为直射光的颜色，如图1(a)所示。三维几何是底层的三维脸型，共同纹理是所有人共享的反照率模式，身份纹理是这张脸特有的反照率模式，环境光全局改变脸的颜色，直射光产生阴影。实验结果表明，从面部细节中提取的额外特征是有效的，该方法达到了最先进的性能。
“黑盒”下的攻击实现，真实世界的“人脸识别”遭遇危险！
喜欢打酱油的老鸟
04-26 5312
https://www.toutiao.com/a6683765601862681092/ 作为最重要的计算机视觉任务之一，人脸识别技术（Facial recognition）基于深度神经网络（CNN）提取人脸特征来实现。 近年来，由于深度神经网络（CNN）的巨大进步，人脸识别技术取得了显著的发展，被广泛使用于身份认证的实际应用中，比如：手机解锁、闸机认证，甚至是金融业务中身份...
Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues
liguandong
05-28 1578
F3-Net 商汤Deepfake检测模型 - 知乎前言这篇论文是商汤团队在ECCV2020的一个工作： Thinking in Frequency: Face Forgery Detection by Mining Frequency-aware Clues，通过引入两种提取频域特征的方法FAD (Frequency-Aware Decomposition) 和LFS (L…https://zhuanlan.zhihu.com/p/260998460 本文还是很值得读的，在篡改检测上应用...
[论文笔记]Face X-ray for More General Face Forgery Detection
zwplus的博客
11-21 1032
Face X-ray for More General Face Forgery Detection论文笔记
2022-CVPR-Exploring Frequency Adversarial Attacks for Face Forgery Detection
qq_37246721的博客
12-01 401
2.在频域内进行对抗性攻击可以保证原始数据的视觉质量并减轻带给空间域的冗余噪声，同时提高检测器的迁移性。2.图片的低频区域与内容相关，高频段与边缘纹理相关，频率差异通常被作为Deepfake检测的线索。3.混合对抗攻击：基于元学习思想，在空间域和频率域交替进行扰动优化，提高攻击的泛化性能。3.相对于目标攻击，非目标攻击更能适应多样化的分类边界，泛化性也更强。1.真假样本在频段上呈现出差异性，假样本的高频段相对占比更大。3.对抗性样本的目的是欺骗检测器，伪造样本的目的是欺骗人类。
论文阅读-SeqFakeFormer：Detecting and Recovering Sequential DeepFake Manipulation（深度伪造篡改序列检测还原）
一位不是很硕的鉴伪方向硕士
02-20 706
解决DeepFake问题最常见的方式是学习一个二分类模型来进行真/假判别，相比于现有基于二分类 (真/假) 的 DeepFake 检测，Seq-DeepFake任务将其扩展为要求检测不同长度和顺序的篡改序列。
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
image-forgery-detection
09-13
说明： 在JPEG重压缩图像中定位出篡改区域,包括A-DJPG(对齐的JPEG重压缩），NA-DJPG（非对齐的JPEG重压缩）两类。(完整版) (Image Forgery Localization via Block-Grained Analysis of JPEG Artifacts.)
CVPR 2022 论文列表（持续更新）
gbstack08的专栏
03-05 1万+
本文包括论文链接及代码 关注公众号：AI基地，及时获取最新资讯，学习资料 GitHub链接：GitHub - gbstack/cvpr-2022-papers: CVPR 2022 papers with code 因为CSDN的markdown编辑器限制，文本多了保存会卡死。大家尽量到上面的GitHub链接去看吧。 CVPR2022 Papers (Papers/Codes/Demos) 分类目录： 1. 检测 2. 分割(Segmentation) 3. 图像处理(Image Pro
论文阅读-Face X-ray for More General Face Forgery Detection
一位不是很硕的鉴伪方向硕士
04-26 4362
作者想要增加检测技术的泛化能力，对于训练中未使用新技术（训练中没见过的或者未来有人开发的新技术）伪造的人脸也能有很好的检测能力。"Face X-Ray技术像医院的X光一样。它能鉴别图片真假，不但能告诉你图片有没有进行过换脸操作，而且还能告诉你换脸操作的边界在什么地方。"
ECCV 2022 | 用于对抗攻击的频域模型增强方法
Paper weekly
12-09 1125
©作者 |陈兆宇单位 |复旦大学ROILab研究方向|对抗样本论文标题：Frequency Domain Model Augmentation for Adversarial Attack论文来源：ECCV 2022 Oral论文链接：http://arxiv.org/abs/2207.05382原文代码：https://github.com/yuyang-long/SSA解决的问题对于黑...
On the Generality of Facial Forgery Detection论文原文翻译以及阅读笔记
不要回答的博客
10-22 422
论文题目及原文地址：On the Generality of Facial Forgery Detection 2019IEEE第16届移动特设和传感器系统研讨会国际会议 摘要： 摘要-针对面部伪造检测的任务，设计或重新设计了多种结构。 虽然其中许多设计都取得了巨大成功，但它们在很大程度上未能应对这些模型在实践中可能面临的挑战。 一个主要的挑战是通用性，其中模型必须准备在各种领域执行。 在本文中，我们研究了最先进的面部伪造检测体系结构的推广能力。 我们首先提出了两个通用性标准：可靠地检测多个欺骗技术和可
AdvDrop——一种通过丢弃频域信息的对抗样本
Monstor_987的博客
10-13 2862
AdvDrop: Adversarial Attack to DNNs by Dropping Information——基于丢弃频域信息的对抗攻击
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
定期分享我的发现和想法，感谢你的陪伴和支持
03-01 6115
扩散模型在这里充当了一种“数字时间机器”的角色，通过将图像“倒带”回过去的某个状态，然后再“快进”到现在，来重建图像。对于合成图像而言，这种“时间旅行”的过程中丢失的信息较少，因为它们本身就是由类似的深度学习模型生成的，因此它们与扩散模型重建的版本更为接近。相反，真实图像在这一过程中会丢失更多的细节，因为它们包含了更复杂和多样的信息，这些信息在通过扩散模型的“滤镜”时难以保留。
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测_dire for diffusion-generated image detection
最新发布
06-25 978
一文速览深度伪造检测（Detection of Deepfakes）：未来技术的守门人参考：https://mp.weixin.qq.com/s/inGjMdX9TTUa3hKWaMkd3A。
高频vs低频—频率派对抗防御全总结
AI_Conf的博客
01-26 1396
近年来，对抗攻击与防御的研究为理解深度神经网络提供了一些新的启发，在探究攻击手段和防御方法的同时，我们对网络鲁棒性、泛化性的来源也有了更加深入的认识。本文是梳理了近期图像识别领域对抗攻击与防御的主要工作，是对近期学习的相关论文、综述的集中梳理。 简介 这部分内容将会理清有关对抗攻击和防御的一些关键概念，希望能在日后查阅回顾时有一个清晰的认识，并且能让读者了解该方面工作的关注对象。对抗攻击方法的部分工作观点整理自相关综述[1]、[2]，另外的研究大多选自近期阅读关注的工作，因此文献选择受个人偏好和认知局限，.
Exploring Plain Vision Transformer Backbones for Object Detection
07-27
回答: 本文探索了将普通的Vision Transformer (ViT)作为目标检测的骨干网络。通过对ViT架构进行微调，而无需重新设计分层骨干进行预训练，我们的普通骨干检测器可以取得竞争性的结果。研究发现，只需从单尺度特征图构建简单的特征金字塔（无需常见的FPN设计），并使用窗口注意（无需移动）辅助少量的跨窗口传播块即可。通过使用预先训练的纯ViT主干作为Masked Autoencoders (MAE)，我们的检测器ViTDet可以与之前基于分层骨干的领先方法竞争，在COCO数据集上达到61.3 APbox的性能。我们希望这项研究能够引起对普通骨干检测器的关注。\[1\]\[2\]\[3\] #### 引用[.reference_title] - *1* [论文阅读-ViTDet：Exploring Plain Vision Transformer Backbones for Object Detection](https://blog.csdn.net/qq_37662375/article/details/126675811)[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^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [ViTDet:Exploring Plain Vision Transformer Backbonesfor Object Detection（arXiv 2022）](https://blog.csdn.net/qq_54828577/article/details/127262932)[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^v91^insert_down28v1,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]
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