WildDeepfake：一个具有挑战性的真实世界深度伪造检测数据集
计算机视觉与模式识别
2024-07-18 v2 机器学习
摘要
近年来，一种名为深度伪造的人脸交换技术的滥用引发了巨大的公众担忧。迄今为止，大量深度伪造视频（称为“deepfakes”）被制作并上传到互联网，亟需有效的应对措施。深度伪造检测是一种有前景的对抗深度伪造的方法。已有多个深度伪造数据集发布，以支持深度伪造检测器的训练和测试，例如DeepfakeDetection和FaceForensics++。虽然这极大地推动了深度伪造检测的发展，但这些数据集中的大多数真实视频是由少数志愿者演员在有限场景中拍摄的，而伪造视频是由研究人员使用几种流行的深度伪造软件制作的。在这些数据集上开发的检测器可能对互联网上的真实世界深度伪造效果不佳。为了更好地支持针对真实世界深度伪造的检测，本文引入了一个新数据集WildDeepfake，它由从互联网上完全收集的707个深度伪造视频中提取的7314个人脸序列组成。WildDeepfake是一个小型数据集，可与其他现有数据集一起用于开发和测试深度伪造检测器对真实世界深度伪造的有效性。我们对现有数据集和我们的WildDeepfake数据集上的一组基线检测网络进行了系统评估，结果表明WildDeepfake确实是一个更具挑战性的数据集，检测性能可能大幅下降。我们还提出了两种（例如2D和3D）基于注意力的深度伪造检测网络（ADDNets），利用真实/伪造人脸上的注意力掩码来改进检测。我们通过实验验证了ADDNets在现有数据集和WildDeepfake上的有效性。该数据集可在https://github.com/OpenTAI/wild-deepfake获取。
引用
@article{arxiv.2101.01456,
title = {WildDeepfake: A Challenging Real-World Dataset for Deepfake Detection},
author = {Bojia Zi and Minghao Chang and Jingjing Chen and Xingjun Ma and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:2101.01456},
year = {2024}
}