基于深度人脸识别的深度伪造检测实验评估
计算机视觉与模式识别
2021-10-06 v1 人工智能
机器学习
摘要
深度学习的重大进展已在多种计算机视觉应用中取得标志性准确率。然而，深度生成模型的进步也导致了非常逼真的伪造内容（即深度伪造）的生成，对隐私、民主和国家安全构成威胁。当前大多数深度伪造检测方法被视为二分类问题，使用两类卷积神经网络（CNNs）区分真实与伪造图像或视频。这些方法基于检测深度生成模型产生的视觉伪影、时间或颜色不一致性。然而，这些方法需要大量真实与伪造数据用于模型训练，且在采用先进深度伪造生成技术生成的样本进行跨数据集评估时性能显著下降。本文中，我们使用不同损失函数和深度伪造生成技术，深入评估了深度人脸识别在识别深度伪造中的功效。在具有挑战性的 Celeb-DF 和 FaceForensics++ 深度伪造数据集上的实验研究表明了深度人脸识别相对于两类 CNNs 和眼周模态在识别深度伪造上的功效。报告结果显示，在 Celeb-DF 数据集上使用人脸识别检测深度伪造的最大曲线下面积（AUC）为 0.98，等错误率（EER）为 7.1%。该 EER 相比 Celeb-DF 数据集上两类 CNN 和眼周模态所得的 EER 低 16.6%。进一步在 FaceForensics++ 数据集上，获得了 0.99 的 AUC 和 2.04% 的 EER。生物特征人脸识别技术的使用具有无需大量伪造数据用于模型训练且对不断演进的深度伪造创建技术具有更好泛化能力的优势。
引用
@article{arxiv.2110.01640,
title = {An Experimental Evaluation on Deepfake Detection using Deep Face Recognition},
author = {Sreeraj Ramachandran and Aakash Varma Nadimpalli and Ajita Rattani},
journal= {arXiv preprint arXiv:2110.01640},
year = {2021}
}
备注
6 pages, 3 figures