Deep-Fake Detection论文总结【截止2022年6月】
发布网友
发布时间：2小时前
共1个回答
热心网友
时间：2小时前
深度伪造检测技术的进展概述
深度伪造检测方法主要分为两大类：基于检测层级的实现和方法类型，包括有监督学习与基于个体特征的检测。有监督学习方法如[5]，通过Single-Center Loss设计频域特征，提升伪造图片识别的准确性；而基于个体的检测如[1]，通过识别人脸运动单元和行为特征，结合SVM进行分类，显示出良好的效果。
随着伪造音频数据集的出现，多模态检测成为新挑战。例如，[4]结合音频信息，利用对比学习技术判断视频和音频的嵌入距离，识别特定对象的伪造视频。同时，[3]运用3DMM特征和metric learning的Temporal ID Network，通过生成网络生成假特征，进行GAN训练，实现了对视频真伪的判断。
在数据集方面，例如[3]利用Voxceleb2等带有标注真实身份的视频数据集，训练模型区分不同个体。而对于[11]和[12]，这些研究采用预训练技术，如transformer架构，通过self-supervised学习或audio-visual对比学习，提升检测的泛化性和鲁棒性。
针对数据增强，[7]提出Face-Cutout方法，通过关键点处理和动态脸部增强，减少过拟合问题。而[9]和[10]则利用自一致性学习和预训练策略，从不同角度增强特征表示，提高检测性能。
总的来说，深度伪造检测技术不断进化，结合多模态、个体特征、数据增强和预训练策略，以提高检测的准确性和鲁棒性，为应对日益复杂的伪造手段提供了有力支持。
