TT-DF：用于人体假冒检测的人类身体假冒大规模扩散数据集与基准
计算机视觉与模式识别
2025-09-22 v2
摘要
人脸深度伪造方法的涌现与流行推动了深度伪造数据集和人脸假冒检测的活跃发展，从一定程度上缓解了人脸相关人工智能技术的安全隐忧。然而，针对人体假冒，仍缺乏数据集和检测方法，这源于人体生成方法的后期涌现及其复杂性。为缓解此问题，我们引入 TikTok-DeepFake（TT-DF），一个面向人体假冒检测的新型大规模扩散数据集，包含 6,120 个伪造视频和 1,378,857 个合成帧。TT-DF 提供了多样化的假冒方法，涉及多种先进的人类图像动画模型用于处理，基于身份与姿态信息解耦的两种生成配置，以及不同压缩版本。旨在尽可能全面地模拟野外可能出现的未知伪造数据，我们还在 TT-DF 上提供了基准测试。此外，我们提出了适用于人体假冒检测的模型——时序光流网络（TOF-Net），它利用自然数据与伪造数据之间的时空不一致性和光流分布差异。我们的实验表明，TOF-Net 在 TT-DF 上的表现优于当前流行的人脸假冒检测模型。关于我们的 TT-DF 数据集，请参阅 https://github.com/HashTAG00002/TT-DF。
引用
@article{arxiv.2505.08437,
title = {TT-DF: A Large-Scale Diffusion-Based Dataset and Benchmark for Human Body Forgery Detection},
author = {Wenkui Yang and Zhida Zhang and Xiaoqiang Zhou and Junxian Duan and Jie Cao},
journal= {arXiv preprint arXiv:2505.08437},
year = {2025}
}
备注
Accepted by PRCV 2024