CN112069891B - 一种基于光照特征的深度伪造人脸鉴别方法 - Google Patents
一种基于光照特征的深度伪造人脸鉴别方法 Download PDFInfo
- Publication number
- CN112069891B CN112069891B CN202010766667.8A CN202010766667A CN112069891B CN 112069891 B CN112069891 B CN 112069891B CN 202010766667 A CN202010766667 A CN 202010766667A CN 112069891 B CN112069891 B CN 112069891B
- Authority
- CN
- China
- Prior art keywords
- image
- illumination
- face
- video
- reflection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于光照特征的深度伪造人脸鉴别方法。首先,利用人脸检测提取出视频关键帧中的人脸,裁剪出人脸部分图像和环境部分图像;然后,利用本征图像分解提取视频帧中人脸部分和环境部分的光照特征,使用SfSnet导出帧中人脸部分图像的照射图,使用U‑net导出帧中环境部分图像的照射图;其次,利用两部分照射图衡量一帧图像中人脸和环境光照信息的相似性;最后,将光照信息的相似性输入支持向量机,对伪造视频和真实视频进行分类,输出鉴别结果。本发明利用视频本身光照特征的一致性,而不需要与参考视频进行对比检测,因而具有较强的鲁棒性和对未知检测目标的泛化能力。
Description
技术领域
本发明属于计算机视觉技术领域,涉及一种视频中伪造人脸的鉴别方法,具体涉及一种基于光照特征的深度伪造人脸鉴别方法。
技术背景
深度伪造(Deepfake)技术也被业界称为人工智能换脸技术,这种技术能对声音、图像或视频进行数字处理以模仿某特定人物,产生众多虚假视音频内容,使辨别信息真伪变得困难。由于深度伪造内容存在潜在社会危害性,对伪造内容的检测和真伪鉴别非常必要。
传统的“数字取证”技术依然可被用于识别深度伪造音视频内容,如检查视频中是否存在因修改操作而产生的生理性结构不一致现象,包括视频中人物皮肤颜色和背景变化是否协调、所记录的声音与场景是否一致等。美国正在寻求自动评估视频图像真实性的人工智能技术,如正在推进的Medi For项目旨在通过识别三种指标来鉴定视频真实性:一是数字指标,如因粘贴或移除导致像素表现不一致等;二是物理指标,如违反物理运动规则等;三是语义指标,如视频与现实情况相悖等(比如对比视频内容与天气预报是否一致)。美国国防部高级研究计划局已着手研究如何检测虚假视频,提出使用递归神经网络和胶囊网络技术检测和鉴别伪造视频,并借助区块链技术,追溯视频来源。也有网络巨头和视频网站设置了检测虚假视频的算法,在视频上传时进行筛选和拦截,还通过设置视频水印和“数字指纹”等办法确定视频来源。
然而,目前的伪造鉴别方法还远未成熟,且深度伪造技术也正在迅速发展进化。深度伪造的对象十分多元,涵盖假视频、音频、文本、微表情等,而且这种假信息正在变得越来越“真实”。起初,深度伪造内容还可以通过五官、眨眼频率等特征分辨出来,随着伪造技术的不断演化,当前的检测算法会面临更大的挑战,需要发掘更多的识别线索可靠地鉴别伪造内容。
发明内容
为了解决上述技术问题,本发明基于真实图像光照特征的一致性特点,提供一种基于光照特征的深度伪造人脸鉴别方法。
本发明所采用的技术方案是:一种基于光照特征的深度伪造人脸鉴别方法,其特征在于,包括以下步骤:
步骤1:提取待检测视频中的关键帧图像,从关键帧图像中检测人脸图像,得到对齐的人脸图像和去除人脸的环境图像;
步骤2:提取对齐的人脸图像光照特征;
步骤3:提取去除人脸的环境图像光照特征;
步骤4:计算人脸图像光照特征与环境图像光照特征的余弦相似度,并利用支持向量机对伪造视频和真实视频进行分类,获得检测结果。
与现有的伪造人脸鉴别方法相比,本发明具有以下的优点与积极效果:
(1)本发明提出的是一种基于光照特征的伪造人脸鉴别方法,具体利用了人脸部分和环境部分的光照特征,丰富和发展了深度伪造视频检测方法的物理特征指标。
(2)本发明利用视频本身光照特征的一致性,而不需要与其他参考视频进行对比检测,因而具有较强的鲁棒性和对未知检测目标的泛化能力。
附图说明
图1:本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施案例对本发明做进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
真实的光照应当符合摄像角度的物理约束,但伪造视频中的人脸部分是计算机生成的图像,其光照特征未必满足物理约束;同时视频中除了人脸之外的图像部分并未经过计算机处理,这部分的环境光照特征应该满足物理约束。本发明采取本征图像分解方法提取光照特征,再对人脸光照特征和环境光照特征进行对比,利用光照特征的差异识别伪造人脸。首先,提取视频关键帧中人脸图像和环境图像;然后,基于本征图像分解方法,提取人脸图像和环境图像的光照特征;最后,通过对比人脸图像和环境图像光照特征的相似性,对伪造人脸和真实人脸进行分类,识别伪造人脸。
请见图1,本发明提供的一种基于光照特征的深度伪造人脸鉴别方法,包括以下步骤:
步骤1:将原始视频集通过关键帧提取产生单帧图像,从单帧图像中检测人脸图像,得到对齐的人脸图像和去除人脸的环境图像;
本实施例中,步骤1的具体实现包括以下子步骤:
步骤1.1:针对若干待检测视频,从每个视频中获取相同张数的关键帧图像;
步骤1.2:将步骤1.1中获得的关键帧通过Face_recognition人脸识别模块,定位图像中的人脸,裁剪出定位到的正方形区域中的人脸图像,并且调整人脸的角度和位置,得到对齐人脸图像;
步骤1.3:将步骤1.2中获得的正方形人脸区域在原始帧图像中填充为白色,得到去除人脸的环境图像。
步骤2:将对齐人脸图像输入本征分解网络提取光照特征;
本实施例中,步骤2的具体实现包括以下子步骤:
步骤2.1:将步骤1得到的对齐人脸图像调整为128×128的尺寸,输入到SfSnet网络中,输入图像通过一个共享卷积层,然后分两路通过形状图残差块和反射图残差块,得到形状图特征和反射图特征,最后形状图特征和反射图特征分别通过各自的卷积层得到形状图以及反射图,之后将输入图像、形状图特征和反射图特征三者连接起来,通过光照估计模块得到照射图光照信息,形状图和光照信息一起通过重建函数处理得到照射图;
步骤2.2:从步骤2.1得到分解出的人脸反射图、照射图和形状图,只取人脸照射图作为人脸光照特征的代表保存,尺寸为128×128。
步骤3:将去除人脸的环境图像输入本征分解网络提取光照特征;
本实施例中,步骤3的具体实现包括以下子步骤:
步骤3.1:将步骤1得到的去除人脸的环境图像调整为256×256的尺寸,输入到变形的U-Net网络中,输入图像通过一个带跳过连接的编码器A,编码器A每层由4×4的卷积层组成,然后进行批量归一化处理和带泄露线性整流函数处理;之后通过两个并联的解码器B和C,解码器B和C每层由4×4反卷积层组成,然后进行批量归一化和线性整流函数处理,解码器B和C的最终层附加一个1×1的卷积;最终由解码器B和C分别输出分解出的反射图和照射图;
对于反射图,使用多尺度平滑项以使反射图的预测值接近分段常数;
其中,Nl是尺度l上的有效像素数,N=N1是原始图像尺度的有效像素数,表示尺度l和位置i处像素的8个相邻像素,反射图权重特征向量fl,i定义为/>其中ρl,j和Il,j分别是空间位置和图像强度,/>和/>分别是色度的前两个元素,∑(fl,i-fl,j)是两个特征向量之间距离的协方差矩阵,Rl,i和Rl,j分别表示图像金字塔的尺度l上像素i和j处的反射图预测。L是图像金字塔的所有尺度。
对于照射图,使用紧密连接的照射图平滑项来限制图像的分解,使其遵循经典的本征图像约束,此项可以在线性时间内以像素数N进行评估计算,公式如下:
其中,是由Wi,j派生的双随机矩阵,/>ρi和ρj均为空间位置,Si和Sj分别是在位置i和j处的照射图预测,σp为权重参数。
对每个输入图像,还添加一个重建损失函数以表达从反射图和照射图重构原始图像的约束,公式如下:
其中,Ii,Ri,Si分别是位置i处的原始图像、反射图预测和照射图预测。
步骤4:计算人脸图像光照特征与环境图像光照特征的余弦相似度,并利用支持向量机对伪造视频和真实视频进行分类,获得检测结果。
本实施例中,步骤4的具体实现包括以下子步骤:
步骤4.1:将步骤2和步骤3得到的人脸照射图Sa和环境照射图Sb计算相似度,相似度为:
s(Sa,Sb)=cos(Sa,Sb)
其中,cos(Sa,Sb)表示图像之间的余弦相似度;Sa表示人脸照射图,即人脸图像光照特征;Sb表示环境照射图,即环境图像光照特征;
步骤4.2:将步骤4.1中得到的所有帧的人脸照射图和环境照射图之间的相似度输入支持向量机,将原始视频属于伪造视频或真实视频的类别作为标签对支持向量机进行训练,得到分类超平面。训练完成后的支持向量机模型对待检测视频处理后的相似度数据按照伪造视频和真实视频的分类超平面进行分类,得到分类结果。
本发明利用face_recognition提取出视频关键帧中的人脸,裁剪出人脸部分图像和环境部分图像,再利用本征图像分解提取视频帧中人脸部分和环境部分的光照特征,使用SfSnet导出帧中人脸部分图像的照射图,使用U-net导出帧中环境部分图像的照射图,之后利用两部分照射图评价一帧图像中人脸和环境光照信息的相似性,最后将光照信息的相似性输入支持向量机算法,对伪造视频和真实视频进行分类,输出鉴别结果。本发明方法有效弥补了现有深度伪造视频检测方法在物理特征方面检测的匮乏,为检测伪造人脸提供了物理特征方面的可行方法,为伪造人脸检测方法提供了新的思路。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于光照特征的深度伪造人脸鉴别方法,其特征在于,包括以下步骤:
步骤1:提取待检测视频中的关键帧图像,从关键帧图像中检测人脸图像,得到对齐的人脸图像和去除人脸的环境图像;
步骤2:提取对齐的人脸图像光照特征;
步骤2的具体实现包括以下子步骤:
步骤2.1:将对齐的人脸图像调整到预定尺寸大小,输入到SfSnet网络中,输入图像通过一个共享卷积层,然后分两路通过形状图残差块和反射图残差块,得到形状图特征和反射图特征,最后形状图特征和反射图特征分别通过各自的卷积层得到形状图以及反射图,之后将输入图像、形状图特征和反射图特征三者连接起来,通过光照估计模块得到照射图光照信息,形状图和照射图光照信息一起通过重建函数处理得到照射图;
步骤2.2:将照射图作为人脸光照特征的代表保存;
步骤3:提取去除人脸的环境图像光照特征;
将去除人脸的环境图像调整到预定尺寸大小,输入到变形的U-Net网络中;
输入图像通过一个带跳过连接的编码器A,编码器A每层由4×4的卷积层组成,然后进行批量归一化处理和带泄露线性整流函数处理;之后通过两个并联的解码器B和C,解码器B和C每层由4×4反卷积层组成,然后进行批量归一化和线性整流函数处理,解码器B和C的最终层附加一个1×1的卷积;最终由解码器B和C分别输出分解出的反射图和照射图;
对于反射图,使用多尺度平滑项以使反射图的预测值接近分段常数;
其中,Nl是尺度l上的有效像素数,N=N1是原始图像尺度的有效像素数,表示尺度l和位置i处像素的8个相邻像素;反射图权重/>特征向量fl,i定义为/>其中ρl,j和Il,j分别是空间位置和图像强度,/>和/>分别是色度的前两个元素,∑(fl,i-fl,j)是两个特征向量之间距离的协方差矩阵,Rl,i和Rl,j分别表示图像金字塔的尺度l上像素i和j处的反射图预测;L是图像金字塔的所有尺度;
对于照射图,使用紧密连接的照射图平滑项来限制图像的分解,使其遵循经典的本征图像约束,此项能在线性时间内以像素数N进行评估计算;
其中,是由Wi,j派生的双随机矩阵,/>ρi和ρj均为空间位置,Si和σj分别是在位置i和j处的照射图预测,σp为权重参数;
对每个输入图像,添加一个重建损失函数以表达从反射图和照射图重构原始图像的约束;
其中,Ii,Ri,Si分别是位置i处的原始图像、反射图预测和照射图预测;
步骤4:计算人脸图像光照特征与环境图像光照特征的余弦相似度,并利用支持向量机对伪造视频和真实视频进行分类,获得检测结果。
2.根据权利要求1所述的基于光照特征的深度伪造人脸鉴别方法,其特征在于,步骤1的具体实现包括以下子步骤:
步骤1.1:针对若干待检测视频,从每个视频中获取相同张数的关键帧图像;
步骤1.2:定位所述关键帧图像中的人脸,处理获得正方形人脸区域,调整人脸的角度和位置,得到对齐人脸图像;
步骤1.3:将所述正方形人脸区域在原始帧图像中填充为白色,得到去除人脸的环境图像。
3.根据权利要求1-2任意一项所述的基于光照特征的深度伪造人脸鉴别方法,其特征在于,步骤4的具体实现包括以下子步骤:
步骤4.1:计算人脸图像光照特征与环境图像光照特征的余弦相似度;
s(Sa,Sb)=cos(Sa,Sb)
其中,cos(Sa,Sb)表示图像之间的余弦相似度;Sa表示人脸照射图,即人脸图像光照特征;Sb表示环境照射图,即环境图像光照特征;
步骤4.2:将步骤4.1中得到的所有帧的人脸照射图和环境照射图之间的相似度输入支持向量机,将原始视频属于伪造视频或真实视频的类别作为标签对支持向量机进行训练,得到分类超平面;训练完成后的支持向量机模型对待检测视频处理后的相似度数据按照伪造视频和真实视频的分类超平面进行分类,得到分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766667.8A CN112069891B (zh) | 2020-08-03 | 2020-08-03 | 一种基于光照特征的深度伪造人脸鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766667.8A CN112069891B (zh) | 2020-08-03 | 2020-08-03 | 一种基于光照特征的深度伪造人脸鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069891A CN112069891A (zh) | 2020-12-11 |
CN112069891B true CN112069891B (zh) | 2023-08-18 |
Family
ID=73657225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766667.8A Active CN112069891B (zh) | 2020-08-03 | 2020-08-03 | 一种基于光照特征的深度伪造人脸鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069891B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651319B (zh) * | 2020-12-21 | 2023-12-05 | 科大讯飞股份有限公司 | 一种视频检测方法、装置、电子设备及存储介质 |
CN112686123A (zh) * | 2020-12-25 | 2021-04-20 | 科大讯飞股份有限公司 | 虚假视频检测方法和装置、电子设备及存储介质 |
CN112818767B (zh) * | 2021-01-18 | 2023-07-25 | 深圳市商汤科技有限公司 | 数据集生成、伪造检测方法、装置、电子设备及存储介质 |
CN113362344B (zh) * | 2021-06-30 | 2023-08-11 | 展讯通信(天津)有限公司 | 人脸皮肤分割方法和设备 |
RU2768797C1 (ru) * | 2021-10-19 | 2022-03-24 | Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) | Способ и система для определения синтетически измененных изображений лиц на видео |
CN116884077B (zh) * | 2023-09-04 | 2023-12-08 | 上海任意门科技有限公司 | 一种人脸图像类别确定方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170006355A (ko) * | 2015-07-08 | 2017-01-18 | 주식회사 케이티 | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN109948566A (zh) * | 2019-03-26 | 2019-06-28 | 江南大学 | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 |
CN111222457A (zh) * | 2020-01-06 | 2020-06-02 | 电子科技大学 | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 |
CN111241958A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
-
2020
- 2020-08-03 CN CN202010766667.8A patent/CN112069891B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170006355A (ko) * | 2015-07-08 | 2017-01-18 | 주식회사 케이티 | 모션벡터 및 특징벡터 기반 위조 얼굴 검출 방법 및 장치 |
CN107862299A (zh) * | 2017-11-28 | 2018-03-30 | 电子科技大学 | 一种基于近红外与可见光双目摄像头的活体人脸检测方法 |
CN109948566A (zh) * | 2019-03-26 | 2019-06-28 | 江南大学 | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 |
CN111222457A (zh) * | 2020-01-06 | 2020-06-02 | 电子科技大学 | 一种基于深度可分离卷积的鉴别视频真伪性的检测方法 |
CN111241958A (zh) * | 2020-01-06 | 2020-06-05 | 电子科技大学 | 一种基于残差-胶囊网络的视频图像鉴别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069891A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069891B (zh) | 一种基于光照特征的深度伪造人脸鉴别方法 | |
Rössler et al. | Faceforensics: A large-scale video dataset for forgery detection in human faces | |
CN111709408B (zh) | 图像真伪检测方法和装置 | |
CN112215180B (zh) | 一种活体检测方法及装置 | |
CN110490212A (zh) | 钼靶影像处理设备、方法和装置 | |
Goebel et al. | Detection, attribution and localization of gan generated images | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Sae-Bae et al. | Towards automatic detection of child pornography | |
CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
Yu et al. | Detecting deepfake-forged contents with separable convolutional neural network and image segmentation | |
Tao et al. | Smoke vehicle detection based on spatiotemporal bag-of-features and professional convolutional neural network | |
Liu et al. | Locating splicing forgery by adaptive-SVD noise estimation and vicinity noise descriptor | |
Liu et al. | Overview of image inpainting and forensic technology | |
Tao et al. | Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns | |
Huang et al. | DS-UNet: a dual streams UNet for refined image forgery localization | |
CN117496583B (zh) | 一种可学习局部差异的深度伪造人脸检测定位方法 | |
Arora et al. | A review of techniques to detect the GAN-generated fake images | |
Peng et al. | Presentation attack detection based on two-stream vision transformers with self-attention fusion | |
CN117975577A (zh) | 一种基于面部动态集成的深度伪造检测方法及系统 | |
Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
Patrikar et al. | Comprehensive study on image forgery techniques using deep learning | |
Abraham | Digital image forgery detection approaches: A review and analysis | |
CN114936986A (zh) | 一种深度学习的图像防篡改系统及方法 | |
Haseena et al. | TVN: Detect Deepfakes Images using Texture Variation Network | |
Megahed et al. | Identify videos with facial manipulations based on convolution neural network and dynamic texture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |