利用简单特征揭露 DeepFakes
机器学习
2020-03-05 v3 计算机视觉与模式识别
机器学习
摘要
深度生成模型最近在许多现实应用中取得了令人印象深刻的成果，能够从复杂数据集中成功生成高分辨率且多样的采样。由于这一进展，伪造的数字内容激增，引发了对图像内容日益增长的担忧和不信任，导致迫切需要对这些 AI 生成的伪造图像进行自动化检测。尽管许多人脸编辑算法似乎生成了逼真的人脸，但仔细审视时，它们确实在某些域中表现出肉眼常难以察觉的伪影。在本工作中，我们提出了一种检测此类伪造人脸图像——即所谓 DeepFakes——的简单方法。我们的方法基于经典的频域分析后接基础分类器。与之前需要输入大量标注数据的系统相比，我们的方法仅使用少量标注训练样本即展现出非常好的结果，甚至在无监督场景下也取得了良好准确率。针对高分辨率人脸图像的评估，我们将多个真实与伪造人脸的公开数据集组合成一个新基准：Faces-HQ。对于此类高分辨率图像，当仅以少至 20 个标注样本训练时，我们的方法达到了 100% 的完美分类准确率。在第二个实验中，对 CelebA 数据集的中等分辨率图像评估，我们的方法在有监督下达到 100% 准确率，在无监督设定下达到 96%。最后，对 FaceForensics++ 数据集的低分辨率视频序列评估，我们的方法检测篡改视频的准确率达到 91%。源代码：https://github.com/cc-hpc-itwm/DeepFakeDetection
引用
@article{arxiv.1911.00686,
title = {Unmasking DeepFakes with simple Features},
author = {Ricard Durall and Margret Keuper and Franz-Josef Pfreundt and Janis Keuper},
journal= {arXiv preprint arXiv:1911.00686},
year = {2020}
}