申请试用
HOT
登录
注册
 
基于重建—分类学习的伪造人脸检测
基于重建—分类学习的伪造人脸检测

基于重建—分类学习的伪造人脸检测

白玉兰开源
/
发布于
/
204
人观看

现有伪造人脸检测算法大多聚焦于输入图像中特定的合成模式如噪声特征、局部纹理和频域信息等来辨别伪造人脸。然而,随着伪造技术的发展,过度关注特定的已知合成模式容易造成无法识别全新合成方法生成的伪造样本。同时,图像传输过程中的压缩、模糊、饱和度失调等噪声也可能破坏已知的合成模式,从而影响伪造人脸检测算法的准确度。基于此,我们从一个新的视角来探索伪造人脸检测任务,设计了一个名为RECCE的“重建—分类”学习框架,通过重建真实人脸图像来学习真实人脸的共性表征,并根据分类任务来挖掘真实人脸与伪造人脸的本质差异。简单来说,我们利用真实人脸图像训练了一个重建网络,并利用重建网络的隐层特征来对真实与伪造人脸进行分类。由于伪造人脸与真实人脸在数据分布上存在不一致,因此伪造人脸的重建误差更明显,且反映了潜在的伪造区域。我们在常用伪造人脸检测数据集如FF++、WildDeepfake和DFDC上进行了大量实验,实验结果验证了我们方法相较于现有方法的优越性能。

曹隽逸,上海交通大学人工智能研究院在读硕士生,导师为马超副教授。主要研究方向为人脸安全、视觉识别等深度学习理论与方法研究。目前在ACM MM,CVPR等CCF推荐会议与期刊上发表论文3篇。

0 点赞
1 收藏
2下载
确认
3秒后跳转登录页面
去登陆