De-Fake：基于风格的异常深度伪造检测

检测涉及面部替换的深度伪造存在显著挑战，尤其是在实际场景中，任何人都可以使用免费工具和应用程序而无需任何技术知识即可进行面部替换。现有的深度伪造检测方法依赖于面部关键点或像素级特征的不一致性，往往在源面部无缝融合到目标图像或视频中的面部替换深度伪造方面难以应对。面部替换的普遍性体现在日常生活中，人们使用它来传播虚假信息、损害声誉、操纵政治意见、创建非自愿的亲密深度伪造（NCID），以及利用儿童制造儿童色情材料（CSAM）。甚至当权人物也不免受其影响，许多他们的深度伪造广泛流传在社交媒体平台上。深度伪造检测方法面临的另一个挑战是创建涵盖广泛变化的数据集，因为训练模型需要大量数据。这引发了关于处理和存储个人面部数据的隐私问题，可能导致未授权的访问或滥用。我们的核心思想是通过识别这些风格差异来有效地检测面部替换的图像，而无需访问真实的面部图像。我们使用多个数据集和面部替换方法进行了全面的评估，展示了SafeVision在检测不同场景下的面部替换深度伪造的有效性。SafeVision提供了一种可靠且可扩展的解决方案，用于以隐私保护方式检测面部替换，特别适用于具有挑战性的实际应用场景。据我们所知，SafeVision是首个使用风格特征进行深度伪造检测且提供内在隐私保护的方案。