深度伪造检测的鲁棒性与泛化性：基于扩散模型的研究
计算机视觉与模式识别
2023-09-06 v1
摘要
深度伪造图像的兴起，尤其是知名人物的深度伪造，对真实信息的传播构成了严重威胁。为此，我们针对深度伪造如何生成及其如何被识别展开了深入研究。我们研究的基石是一个名为DeepFakeFace（DFF）的丰富人造名人面孔集合。我们利用先进的扩散模型制作了DFF数据集，并已通过在线平台与社区共享。该数据作为训练和测试旨在识别深度伪造的算法的坚实基矗我们对DFF数据集进行了全面审视，并提出了两种评估方法来衡量深度伪造识别工具的强度与适应性。第一种方法测试在某类伪造图像上训练的算法是否能识别其他方法生成的伪造图像。第二种评估算法在不完美图像（如模糊、低质量或压缩图像）上的表现。鉴于不同深度伪造方法与图像变化间结果的差异，我们的发现强调了改进深度伪造检测器的必要性。我们的DFF数据集与测试旨在促进更有效措施以对抗深度伪造的工具的发展。
引用
@article{arxiv.2309.02218,
title = {Robustness and Generalizability of Deepfake Detection: A Study with Diffusion Models},
author = {Haixu Song and Shiyu Huang and Yinpeng Dong and Wei-Wei Tu},
journal= {arXiv preprint arXiv:2309.02218},
year = {2023}
}
备注
8 pages, 5 figures