合成人脸图像检测：精度、鲁棒性与泛化性
计算机视觉与模式识别
2025-09-17 v2
摘要
本文 presented 对检测合成人脸图像的实验研究。我们收集了一个名为 FF5 的数据集，包含五个假脸面图像生成器，包括最新的扩散模型。我们发现，训练于特定图像生成器的简单模型能够在分离合成与真实图像方面实现近乎完美的精度。该模型通过数据增强处理常见图像失真（降低分辨率、压缩），从而保持性能。此外，部分操纵（即合成图像通过填充图案混合到真实图像中）能够被识别，并且通过基于 YOLO 架构的简单模型定位操纵区域。然而，该模型对对抗性攻击极其脆弱，无法泛化到未见过的生成器。对检测最新生成器所 produced 的图像也会失败，最近的 SOTA 方法在我们测试的 Realistic Vision（基于 StabilityAI 的 Stable Diffusion 图像生成器的微调版本）上也表现出同样问题。
引用
@article{arxiv.2406.17547,
title = {Detection of Synthetic Face Images: Accuracy, Robustness, Generalization},
author = {Nela Petrzelkova and Jan Cech},
journal= {arXiv preprint arXiv:2406.17547},
year = {2025}
}
备注
The paper was presented at the DAGM German Conference on Pattern Recognition (GCPR), 2025