.png){kind=icon}
返回
Differentiating Between AI-Generated Faces and Human Faces
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7511-1_23.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）如StyleGAN和ProGAN等技术的进步，AI生成的人脸真实性不断提高，这对安全、身份验证和数字取证领域带来了显著挑战。当前检测方法主要依赖卷积神经网络（CNNs），难以识别高质量合成图像中的细微瑕疵。本文提出了一种结合视觉Transformer（ViTs）和XceptionNet的软投票集成框架。ViT能够捕捉全局空间模式，而XceptionNet擅长检测局部纹理不一致性。该集成模型在包含188,800张真实与AI生成人脸的数据集上达到92.3%的准确率、92.5%的精确率和0.922的F1分数。大量实验表明，该模型对各类深度伪造架构（包括瑕疵极少的架构）具有鲁棒性。该方法为区分真实与AI生成的人脸提供了最先进的解决方案，对欺诈预防、内容审核和数字取证具有重大意义。
Keyword:
Deep fake
Deep learning
AI-generated faces
Deepfake detection
Generative adversarial networks (GANs)
Vision Transformers (ViTs)
XceptionNet
期刊
S
IF:
0
论文数:
414
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏Hybrid CNN-transformer based meta-learning approach for personalized image aesthetics assessment基于混合CNN-transformer的元学习方法实现个性化图像美学评估
PREAI
分享收藏