基于多特征融合的轻量级深度伪造检测
计算机视觉与模式识别
2025-02-18 v1 人工智能
摘要
深度伪造技术利用基于深度学习的人脸操纵技术在视频中无缝替换人脸，创建高度逼真但人工生成的内容。尽管该技术在媒体和娱乐领域具有有益应用，但滥用其能力可能导致身份盗窃、网络欺凌和虚假信息等严重风险。将深度学习与视觉认知集成已在解决数字媒体平台上人工生成深度伪造图像的隐私风险方面取得重要技术性进步。本研究提出一种高效轻量级方法，用于检测深度伪造图像和视频，适用于计算资源有限的设备。为减少深度学习模型通常承担的计算负担，我们的方法将机器学习分类器与关键帧方法和纹理分析相结合。此外，融合了直方图方向梯度（HOG）局部二值模式（LBP）和 KAZE 带提取的特征，并评估了使用随机森林、极端梯度提升、额外树和支持向量分类器算法。我们的发现表明，HOG、LBP 和 KAZE 特征在面部伪造数据集（FaceForensics++）和 Celeb-DFv2 上的特征级融合准确率分别提高到92%和96%。
引用
@article{arxiv.2502.11763,
title = {Lightweight Deepfake Detection Based on Multi-Feature Fusion},
author = {Siddiqui Muhammad Yasir and Hyun Kim},
journal= {arXiv preprint arXiv:2502.11763},
year = {2025}
}