人脸伪造检测的大规模通用评估基准
计算机视觉与模式识别
2024-06-17 v2 人工智能
摘要
随着 AI 生成内容（AIGC）技术的快速发展，能够制造出欺骗人类视觉感知的逼真假脸部图像和视频的技术日益可行。因此，各种人脸伪造检测技术被提出用于识别此类假脸部内容。然而，对这些检测技术有效性和通用性的评估仍然是一个重大挑战。为此，我们构建了一个大规模评估基准，名为 DeepFaceGen，旨在定量评估人脸伪造检测的有效性，并促进伪造检测技术的迭代发展。DeepFaceGen 包含 776,990 个真实人脸图像/视频样本和 773,812 个人脸伪造图像/视频样本，采用 34 种主流人脸生成技术生成。构建过程中，我们仔细考虑了内容多样性、种族公平性以及完整标签可用性等重要因素，以确保 DeepFaceGen 的通用性和便捷性。随后，我们在本研究中使用 DeepFaceGen 来评估和分析来自各种角度的 13 种主流人脸伪造检测技术。通过大量实验分析，我们得出了重要发现，并提出了未来研究的潜在方向。DeepFaceGen 的代码和数据集均可在 https://github.com/HengruiLou/DeepFaceGen 获得。
引用
@article{arxiv.2406.09181,
title = {A Large-scale Universal Evaluation Benchmark For Face Forgery Detection},
author = {Yijun Bei and Hengrui Lou and Jinsong Geng and Erteng Liu and Lechao Cheng and Jie Song and Mingli Song and Zunlei Feng},
journal= {arXiv preprint arXiv:2406.09181},
year = {2024}
}
备注
This is a paper about constructing a large-scale universal evaluation benchmark for face forgery detection.The full text is 30 pages