用于深度伪造检测的自一致性学习
计算机视觉与模式识别
2021-07-28 v2
摘要
我们提出一种利用伪造图像内部源特征不一致性线索检测深度伪造图像的新方法。该方法基于如下假设：图像中不同的源特征在经过最先进的深度伪造生成过程后能够被保留并提取出来。我们引入一种称为成对自一致性学习（PCL）的新表征学习方法，用于训练卷积网络提取这些源特征并检测深度伪造图像。与之配套的是一种称为不一致图像生成器（I2G）的新图像合成方法，为 PCL 提供丰富标注的训练数据。在七个流行数据集上的实验结果表明，我们的模型在数据集内评估中将平均 AUC 从 SOTA 的 96.45% 提升至 98.05%，在跨数据集评估中从 86.03% 提升至 92.18%。
引用
@article{arxiv.2012.09311,
title = {Learning Self-Consistency for Deepfake Detection},
author = {Tianchen Zhao and Xiang Xu and Mingze Xu and Hui Ding and Yuanjun Xiong and Wei Xia},
journal= {arXiv preprint arXiv:2012.09311},
year = {2021}
}
备注
ICCV 2021 Oral