.png){kind=icon}
返回
A Generalization-Enhanced Method for Forged Face Detection Based on High-Frequency Features
.png){kind=icon}
PRE
AI
DOI：10.23919/transcom.2024EBP3212.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着生成对抗网络（GANs）的进步，伪造的人脸图像无法通过肉眼区分。这些伪造的人脸威胁社会稳定和个人声誉，因此需要有效的检测方法。然而，现有方法由于无法提取真实与伪造人脸之间的本质差异，往往对新技术的伪造人脸失效。为解决这一问题，我们提出了一种基于高频特征的伪造人脸检测通用增强方法。为构建该方法，分析了伪造模型以提取真实与伪造人脸图像之间的本质差异。我们的方法依赖于输入图像高频成分的空间分布特征。通过研究高频信息的直方图概率分布，得出结论：高频信息对于伪造人脸检测至关重要。此外，还选定了高通滤波器的最优截止频率。通过该高通滤波器，提取了真实和伪造图像的高频图像。最后，将提取的高频图像输入轻量级分类网络Xception中进行最终检测。为验证所提出方法的通用能力，我们仅使用ProGAN生成的伪造人脸进行训练。所提出的方法在DCGAN、ProGAN、StarGAN、StyleGAN2和DeepFake生成的伪造人脸图像上分别实现了98.47%、100%、100%、85.43%和98.85%的检测准确率。实验结果表明，我们的方法不仅可以用于检测伪造人脸图像，而且在不同伪造技术下表现出稳健的通用能力。
Keyword:
key forged face detection
generalization ability
spatial distribu-tion
high-frequency feature
期刊
I
IF:
0.6
论文数:
193
被引数:
1.2K
机构
引用论文
.png){kind=icon}
Spatial-Phase Shallow Learning: Rethinking Face Forgery Detection in Frequency Domain空间相位浅层学习: 频域人脸伪造检测的再思考
OAAI
OAAI分享收藏StarGAN: Unified Generative Adversarial Networks for Multi-domain Image-to-Image TranslationStarGAN: 用于多域图像到图像翻译的统一生成对抗网络
PREAI
分享收藏分享收藏
查看更多内容