用于 deepfake 检测的各向异性多分辨率分析
计算机视觉与模式识别
2022-11-08 v2
摘要
生成对抗网络 (GANs) 在图像、视频和音频合成领域开辟了全新媒体生成能力的道路。然而，它们也可能被滥用以捏造精心设计的谎言，从而煽动公众舆论。GANs 带来的威胁引发了对真实内容与捏造内容进行区分的需求。先前的研究采用经典机器学习技术来解决此任务，如 k 近邻和特征脸，但遗憾的是这些方法效果不佳。后续方法侧重于利用频率分解，即离散余弦变换、小波和小波包，为分类器预处理输入特征。然而，现有方法仅依赖各向同性变换。我们认为，由于 GANs 主要利用各向同性卷积生成其输出，它们会在各向异性变换提取的子带系数分布中留下清晰的痕迹，即其指纹。我们采用完全可分离小波变换和多小波来获取各向异性特征，并将其输入至标准 CNN 分类器。最后，我们发现完全可分离变换能够提升现有技术水平。
引用
@article{arxiv.2210.14874,
title = {Anisotropic multiresolution analyses for deepfake detection},
author = {Wei Huang and Michelangelo Valsecchi and Michael Multerer},
journal= {arXiv preprint arXiv:2210.14874},
year = {2022}
}