.png){kind=icon}
返回
A Deepfake Image Detection Method Based on a Multi-Graph Attention Network
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14030482.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度伪造检测在应对深度生成内容快速传播所引发的挑战方面发挥着关键作用，这些内容显著侵蚀了公众对网络信息与媒体的信任。深度伪造图像通常在多个区域（如背景、光照和局部细节）表现出细微但显著的伪影。这些伪影表现为不自然的视觉失真、不一致的光照或细微特征的不规则性，破坏了真实图像的自然连贯性。为解决伪造图像的这些特征，我们提出了一种新颖且高效的深度图像伪造检测方法，该方法利用多图注意力（MGA）技术提取全局与局部特征，并最小化精度损失。具体而言，我们的方法引入了一种交互式双通道编码器（DIRM），旨在提取全局和通道特定特征，并促进这些特征集之间的复杂交互。在解码阶段，其中一个通道被处理为块，并与动态图注意力网络（PDGAN）结合，该网络能够识别并放大局部信息中的伪造痕迹。为进一步增强模型捕捉全局上下文的能力，我们提出了全局高度-宽度图注意力模块（HWGAN），其有效提取并关联全局空间特征。实验结果表明，在GenImage和CIFAKE数据集上，我们方法对伪造图像的分类精度与最优基准方法相当。值得注意的是，我们的模型在CIFAKE数据集上达到97.89%的精度，且具有最少的模型参数和最低的计算开销。这些结果突显了我们的方法在深度伪造图像检测中的潜力。
Keyword:
deepfake
multi-graph attention
interactive dual-channel encoder
dynamic graph attention network
global spatial features
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Deepfake Detection through Deep Learning.png)
2020 IEEE/ACM International Conference on Big Data Computing, Applications and Technologies (BDCAT)
2020 IEEE/ACM International Conference on Big Data Computing, Applications and Technologies (BDCAT)IF0
PREAI
分享收藏An Improved Dense CNN Architecture for Deepfake Image Detection一种改进的密集CNN结构用于Deepfake图像检测IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏CIFAKE: Image Classification and Explainable Identification of AI-Generated Synthetic ImagesCIFAKE: 图像分类和AI生成的合成图像的可解释识别IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容