Herds Mentality in Augmentation -- 不要好！面向深度伪造检测的鲁棒多阶段方法
计算机视觉与模式识别
2024-10-10 v1 人工智能
摘要
深度伪造技术的快速增长引发了关于数字媒体完整性的广泛关注。检测深度伪造对于保障数字媒体至关重要。然而，大多数标准图像分类器无法区分虚假与真实面孔。我们的分析揭示，这一失败是由于模型无法显式关注深度伪造中通常存在的 artefacts。我们提出一种基于 GenConViT 模型的增强架构，包含加权损失和更新数据增强技术，并包括遮蔽眼睛预训练。该提议模型在 Celeb-DF v2 数据集上将 F1 分数提高了 1.71%，准确率提高了 4.34%。本模型的源代码可在 https://github.com/Monu-Khicher-1/multi-stage-learning 获取。
引用
@article{arxiv.2410.05466,
title = {Herd Mentality in Augmentation -- Not a Good Idea! A Robust Multi-stage Approach towards Deepfake Detection},
author = {Monu and Rohan Raju Dhanakshirur},
journal= {arXiv preprint arXiv:2410.05466},
year = {2024}
}