Active Fake：DeepFake 伪装

DeepFake 技术因其能以高度逼真的方式操纵面部属性而引起了广泛关注，并引发了严重的社会担忧。在这些技术中，换脸 DeepFake 危害最大，它通过将原始人脸替换为合成人脸来伪造行为。现有的取证方法主要基于深度神经网络，能够有效揭露这些篡改，并已成为重要的真实性鉴定指标。然而，这些方法主要集中于捕捉 DeepFake 人脸中的融合不一致性，这引发了一个新的安全问题，称为 Active Fake：当个人故意在其真实视频中制造融合不一致性以逃避责任时，该问题便随之出现。这种策略被称为 DeepFake 伪装。为实现这一目的，我们引入了一个用于创建 DeepFake 伪装的新框架，该框架在生成融合不一致性的同时，确保了不可感知性、有效性和可迁移性。该框架通过对抗学习策略进行优化，精心构造不可感知却有效的不一致性，以误导取证检测器。大量实验证明了我们方法的有效性和鲁棒性，凸显了对 Active Fake 检测进行进一步研究的必要性。