DeePhy：论深度伪造的系统发生
计算机视觉与模式识别
2022-09-20 v1
摘要
Deepfake指经过定制并合成生成的视频，如今已大规模泛滥传播，威胁着在线可用信息的可信度。现有数据集虽包含依生成技术而异的各类deepfakes，却未以“系统发生”方式考量deepfakes的演进。已有的deepfake人脸有可能被再次与另一张人脸交换，该换脸过程可多次进行，所得deepfake可不断演化以迷惑deepfake检测算法。此外，许多数据库未将所采用的生成模型作为目标标签提供。模型溯源通过提供所采用生成模型的信息，有助于增强检测结果的可解释性。为助力研究界应对上述问题，本文提出DeePhy，一个新颖的Deepfake系统发生数据集，包含使用三种不同生成技术生成的5040段deepfake视频。其中840段为单次换脸deepfakes，2520段为两次换脸deepfakes，1680段为三次换脸deepfakes。该数据库规模超30 GB，使用累计显存1352 GB的18块GPU、耗时逾1100小时构建而成。我们还基于六种deepfake检测算法在DeePhy数据集上给出了基准测试结果。结果凸显了发展deepfake模型溯源研究并使其泛化至多种deepfake生成技术的必要性。数据库地址：http://iab-rubric.org/deephy-database
引用
@article{arxiv.2209.09111,
title = {DeePhy: On Deepfake Phylogeny},
author = {Kartik Narayan and Harsh Agarwal and Kartik Thakral and Surbhi Mittal and Mayank Vatsa and Richa Singh},
journal= {arXiv preprint arXiv:2209.09111},
year = {2022}
}
备注
Accepted at 2022, International Joint Conference on Biometrics (IJCB 2022)