Deepfakes生成与检测：现状、开放挑战、对策与前进方向
密码学与安全
2021-11-24 v2 机器学习
声音
音频与语音处理
图像与视频处理
摘要
社交媒体上音视频内容的便捷获取，结合Tensorflow或Keras等现代工具、开源训练模型和经济型计算基础设施的可用性，以及深度学习方法（尤其是生成对抗网络（GAN））的快速演进，使得生成deepfakes以传播虚假信息、报复式色情、金融欺诈、骗局以及破坏政府运作成为可能。现有综述主要关注deepfake图像与视频的检测。本文对用于deepfake生成的现有工具及基于机器学习（ML）的方法，以及用于检测音视频deepfake此类操纵的方法进行了全面综述与详细分析。对于每类deepfake，我们讨论了与操纵方法、当前公开数据集以及deepfake检测技术性能评估的关键标准及其结果相关的信息。此外，我们还讨论了开放挑战并列举了未来方向，以指导未来研究者考虑在改进deepfake生成与检测领域所需关注的问题。本工作有望帮助读者理解deepfakes的创建与检测机制，及其当前局限性与未来方向。
引用
@article{arxiv.2103.00484,
title = {Deepfakes Generation and Detection: State-of-the-art, open challenges, countermeasures, and way forward},
author = {Momina Masood and Marriam Nawaz and Khalid Mahmood Malik and Ali Javed and Aun Irtaza},
journal= {arXiv preprint arXiv:2103.00484},
year = {2021}
}