ForgeryNet:面向全面伪造分析的多功能基准
计算机视觉与模式识别
2021-07-15 v2 机器学习
摘要
照片级真实感合成技术的快速进展已到达真实与篡改图像边界开始模糊的关键点。因此,对数字伪造分析进行基准测试与推进已成为紧迫问题。然而,现有人脸伪造数据集要么多样性有限,要么仅支持粗粒度分析。为应对这一新兴威胁,我们构建了 ForgeryNet 数据集,一个在图像级和视频级数据中具有统一标注的超大人脸伪造数据集,涵盖四项任务:1)图像伪造分类,包括二分类(真实/伪造)、三分类(真实/采用身份替换伪造方法的伪造/采用身份保留伪造方法的伪造)和 n 分类(真实及 15 种各自伪造方法)。2)空间伪造定位,相较于对应源真实图像分割出伪造图像中的篡改区域。3)视频伪造分类,以随机位置篡改帧重新定义视频级伪造分类。该任务重要,因为真实世界中的攻击者可自由篡改任意目标帧。4)时间伪造定位,定位被篡改的时间段。ForgeryNet 就数据规模(290 万张图像、221,247 个视频)、篡改手段(7 种图像级方法、8 种视频级方法)、扰动(36 种独立及更多混合扰动)和标注(630 万分类标签、290 万篡改区域标注和 221,247 个时间伪造段标签)而言,是迄今公开可用的最大深度人脸伪造数据集。我们对现有人脸取证方法进行了广泛的基准测试与研究,并获得若干有价值的观察。
引用
@article{arxiv.2103.05630,
title = {ForgeryNet: A Versatile Benchmark for Comprehensive Forgery Analysis},
author = {Yinan He and Bei Gan and Siyu Chen and Yichun Zhou and Guojun Yin and Luchuan Song and Lu Sheng and Jing Shao and Ziwei Liu},
journal= {arXiv preprint arXiv:2103.05630},
year = {2021}
}
备注
17 pages, 11 figures, Accepted to CVPR 2021 (Oral), project webpage: https://yinanhe.github.io/projects/forgerynet.html