- 博客(9)
- 收藏
- 关注
RSS订阅原创 Exploring Unbiased Deepfake Detection via Token-Level Shuffling and Mixing（AAAI 2025）
本文提出了一种无偏差的深度伪造检测方法UDD（AAAI 2025），针对现有检测器存在的两种偏差问题：位置偏差（过度依赖图像中心区域）和内容偏差（错误利用无关背景信息）。UDD方法包含两个核心模块：令牌重组分支（Token-Shuffling Branch）通过随机插值位置编码和图像块置换打破空间依赖性；令牌混合分支（Token-Mixing Branch）通过跨样本标记混合增强伪造特征泛化能力。实验采用对比损失和JS散度进行特征对齐，总损失函数结合交叉熵和特征对齐损失。该方法有效提升了深度伪造检测的泛化性
2025-05-28 18:43:04
568
原创 D2Fusion: Dual-domain fusion with feature superposition for Deepfake detection（Information Fusion 20
本文提出D^2^Fusion方法，用于深度伪造检测的双域特征融合。创新点包括：1）双向注意力模块，通过水平和垂直方向特征提取定位空间域的伪造痕迹；2）细粒度频谱注意力模块，转换到频域保留全局高频信息；3）特征叠加策略，将特征表示为波形令牌，根据相位和振幅动态融合双域特征。实验表明该方法能有效增强伪造特征的判别能力，在多个基准测试上取得优于现有方法的效果。
2025-05-28 14:13:44
969
原创 Dynamic Graph Learning with Content-guided Spatial-Frequency Relation Reasoning for Deepfake Detecti
空间矩阵。
2025-03-20 19:19:55
1039
原创 FreqBlender: Enhancing DeepFake Detection by Blending Frequency Knowledge（NeurIPS 2024）
本文介绍了一种新的基于的伪人脸生成方法FreqBlender，并对其中的主要频率成分进行了研究，提出了一种，对与伪造痕迹相关的频率成分进行自适应分割。
2025-03-19 14:05:32
687
原创 Real face foundation representation learning for generalized deepfake detection（PR 2025）
与其专注于检测伪造图像的特定痕迹，本文提出了一种新的方法——，即通过学习真实人脸的基础表征来检测伪造图像。和的，而伪造图像则违背了这种分布。因此，本文通过大规模真实人脸数据集学习真实人脸的分布，并通过检测偏离该分布的异常图像来进行Deepfake检测。
2025-03-19 14:01:04
401
原创 F2Trans: High-Frequency Fine-Grained Transformer for Face Forgery Detection(TIFS 2023)
DWT 表示离散小波变换，它将输入信号分解为 LL、LH、HL和HH子带信息，LL主要由低频信息组成，描绘了真假人脸图像的整体外观，而LH， HL和HH包含表示假人脸图像的细微伪影和伪造痕迹（例如，混合边界、棋盘、 模糊伪影等）的信息。由于处理后的人脸图像的低频本质上是原始人脸的近似，所以丢弃低频分量LL，保留另外三个分量（LH、HL、HH），通过通道级联（cat）将它们聚合在一起，最后采用层归一化（LN）和线性层来对齐通道维度。生成，从而引入了局部梯度信息，增强了对细粒度特征的捕捉能力。
2025-03-19 13:58:04
812
原创 Fake It till You Make It: Curricular Dynamic Forgery Augmentations towards General Deepfake Detectio
假装直到成功：面向通用Deepfake检测的课程动态伪造增强。
2025-03-19 13:55:33
849
原创 AVFF: Audio-Visual Feature Fusion for Video Deepfake Detection
1.提出一种新型的自监督表征学习方法，明确捕捉真实视频中的音视频对应关系，使用对比学习和自动编码目标的双重目标来学习这些对应关系，并引入了一种新的和。2.两阶段深度伪造检测方法，第一阶段是，第二阶段是。利用深度伪造视频中音视频特征之间的缺乏一致性来区分真假视频。
2025-02-20 10:55:14
544
原创 Self-supervised Learning of Adversarial Example:Towards Good Generalizations for Deepfake Detection
通过引入对抗性增强（adversarial augmentation）和自监督任务（self-supervised tasks），提高模型对不同类型的伪造图像的敏感性和泛化能力。
2024-12-30 10:13:28
851
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人