jessIoss-CSDN博客

原创 In Ictu Oculi: Exposing AI Created Fake Videos by Detecting Eye Blinking

眨眼指的是眼睑快速闭合和打开的运动。自发眨眼是指在没有外界刺激和内部努力的情况下眨眼，由运动前脑干控制，在没有意识的情况下发生，具有重要的生物学功能，可以滋润泪液，清除角膜和结膜表面的刺激物。在最后的状态预测阶段，将每个RNN神经元的输出进一步发送到由一个全连接层组成的神经网络，该神经网络取LSTM的输出，生成眼睛睁开和闭上状态的概率，分别记为0和1。为了能够实验地评估我们的算法，我们下载了50个视频，每个视频代表一个个体，持续大约30秒，至少发生一次眨眼，形成了眨眼视频(EBV)数据集。

2024-07-03 16:54:50 40 1

原创【 SCL】Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face

最后，在我们的单中心损失(见3.3节)和softmax损失的联合监督下，网络学习了一个嵌入空间，其中自然面孔聚集在中心点周围，而被操纵的面孔远离中心点。SCL的目标是最小化自然面孔的表示到中心点的距离，同时将被操纵的面孔的表示推离中心点。单中心损失（SCL）：设计了一种新的损失函数，专门针对自然面部的类内变化进行压缩，同时增强类间差异，而不强制要求所有样本（包括被操纵的面部）的类内紧凑性。频率感知的判别特征学习框架（FDFL）：提出了一个新颖的框架，用于学习更具有判别性的特征，以提高人脸伪造检测的准确性。

2024-06-16 22:38:49 27

原创【 Audio-Visual】Emotions Don’t Lie: An Audio-Visual Deepfake Detection Method using Affective Cues

研究者们提取并分析了视频中两个模态——音频和视觉——之间的相似性，并且提取并比较了来自两个模态的感知情感线索，以推断视频是真实的还是伪造的。对于我们网络中的人脸和语音模式，我们分别使用了由F2和S2学习的交叉视图模式构建的250维单位归一化特征。首先，与真实视频中的数据集相比，我们的方法可能会导致两个数据集的错误分类。据研究者们所知，他们的方法是基于音频和视频模态以及两个模态中的感知情感来检测深度伪造的首次尝试。，我们的方法也可以在真实视频的模式中找到不匹配，并(错误地)将其分类为假的。

2024-06-13 16:36:55 24

原创【AEINet+HEARNet】FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping

合成交换后的人脸需要共享目标人脸的姿态恶化表情，还要保持目标场景光照的一致性，保持交换后人脸的像素分辨率与目标图像的分辨率一致。与Nirkin等人[30,31]训练人脸分割以获得遮挡感知的人脸掩模不同，我们的方法可以在不需要任何手动注释的情况下，以自监督的方式学习恢复人脸异常区域。t是第一级交换后的面。当将相同的人脸图像作为目标和源输入到训练良好的AEI-Net中时，重建的人脸图像在多个区域偏离输入，这些偏离强烈地暗示了人脸遮挡的位置。t，它应该保留源x的身份和目标x的属性(例如姿势，表情，照明，背景)。

2024-06-09 17:45:27 24

原创 Face Forgery Detection by 3D Decomposition

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。

2024-06-02 22:19:13 773

原创 Attention Augmented Convolutional Networks

在自动架构搜索过程中使用注意力增强作为原语，找到比之前在图像分类[55]、目标检测[12]、图像分割[6]和其他领域[5,1,35,8]中发现的更好的模型。引入了一种新的二维相对自注意机制，证明它在取代卷积作为图像分类的独立计算原语方面具有竞争力。建议通过将卷积特征映射与一组由自注意产生的特征映射连接起来，从而用这种自注意机制增强卷积算子。大量的实验表明，注意力增强可以在广泛的架构和计算设置中系统地改进图像分类和目标检测任务。卷积操作有一个明显的弱点，即它只对局部社区进行操作，从而错过了全局信息。

2024-04-22 16:49:58 437

原创 DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection

在我们的换脸上下文中，dt是MAdaIN的内容输入，yt是样式输入。我们提出了一个新的数据集，DeeperForensics-1.0，它比现有的数据集规模更大，质量更高，多样性更丰富。为了提高其质量，我们引入了一个精心设计的数据收集和一个新的框架，DF-VAE，有效地减轻了现有操纵视频的明显伪造效果。在我们的数据集上对现有代表性伪造检测方法的结果进行了基准测试，提供了对人脸伪造检测的现状和未来策略的见解。1万个经过处理的视频，加上5万个高质量的源视频，构成了提议的DeeperForensics-1.0。

2024-04-17 15:59:06 1921

原创【FakeLocator】FakeLocator: Robust Localization of GAN-Based Face Manipulations

利用上采样的缺陷，进行伪图检测和定位引入注意力机制，面部解析，局部数据增强+单样本聚合提升跨方法的通用性伪图重构是个点在未来的工作中，我们认为可视化每个图像中的假纹理，并根据不同的gan和上采样方法对它们进行分类是一个好主意注：本文仅供学习交流，不应用于其他，转载请标注。

2024-04-08 23:12:06 784 2

原创【Face x-ray】Face X-ray for More General Face Forgery Detection

文章目录Face X-ray for More General Face Forgery Detection创新定义检测实验局限性结论Face X-ray for More General Face Forgery Detection会议：CVPR 2020作者：创新新的图片表示：face x-ray 只假设混合步骤的存在，不依赖于与特定面部操作技术相关的工件的任何知识输入人脸图像的人脸x射线是一幅灰度图像，反映了输入图像是否可以被分解为两幅不同来源的图像的混合通过显示伪造图像的混合边

2024-04-04 21:55:53 727 1

原创【SPSL】Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain

它可以让原本就较少(k个)的高频成分X(u,v)在卷积计算中产生更明显的影响。因此,相对于仅考虑YA(u),同时考虑YA+P(u)可以更明显地区分自然图像和合成图像在频率分布上的差异,从而提高检测性能。所以在卷积计算YA(u)时,高频成分X(u,v)对结果的影响就由A(u,v)决定,A(u,v)在高频可能已经很小。C(u)可以表示为C(u) = A(u)e^{jφ(u)},其中A(u)是幅度谱,φ(u)是相位谱。也就是说,卷积核C(u)在频域下的响应等于其幅度谱A(u)与相位谱e^{jφ(u)}的乘积。

2024-03-30 22:35:14 593

原创论文阅读笔记——【NOLANet】DF Video Detection Based on Spatial, Spectral, and Temporal Inconsistencies

Detection(Blaze):检测面部，裁剪到128*128；Extraction(FANet):裁剪出眉毛眼睛、鼻子和唇部。NOLANet以其原始的形式从输入的视频中获取音频。

2024-03-13 23:09:16 904

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

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。

2024-03-02 17:26:51 1694

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

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。

2024-01-22 17:21:15 1099

sinat_39223177的博客

原创 In Ictu Oculi: Exposing AI Created Fake Videos by Detecting Eye Blinking

原创【 SCL】Frequency-aware Discriminative Feature Learning Supervised by Single-Center Loss for Face

原创【 Audio-Visual】Emotions Don’t Lie: An Audio-Visual Deepfake Detection Method using Affective Cues

原创【AEINet+HEARNet】FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping

原创 Face Forgery Detection by 3D Decomposition

原创 Attention Augmented Convolutional Networks

原创 DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection

原创【FakeLocator】FakeLocator: Robust Localization of GAN-Based Face Manipulations

原创【Face x-ray】Face X-ray for More General Face Forgery Detection

原创【SPSL】Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain

原创论文阅读笔记——【NOLANet】DF Video Detection Based on Spatial, Spectral, and Temporal Inconsistencies

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

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

原创论文阅读笔记—— AdvFilter: Predictive Perturbation-aware Filtering against Adversarial Attack via Multi-d L

原创论文阅读笔记——【DeepNotch】Dodging DeepFake Detection via Implicit Spatial-Domain Notch Filtering

原创论文阅读笔记——【FakePolisher】FakePolisher：Making DeepFakes More Detection-Evasive by Shallow Reconstruction

原创论文阅读笔记——【RFM】Representative Forgery Mining for Fake Face Detection

原创论文阅读笔记——Xception: Deep Learning with Depthwise Separable Convolutions

原创论文阅读笔记——Uncovering and Exploiting Hidden APIs in Mobile Super Apps

原创论文阅读笔记——RSGAN: Face Swapping and Editing using Face and Hair Representation in Latent Spaces

原创 2021-07-27

空空如也

空空如也