Deepfake-Adapter——一种双层适配器用于深度伪造检测 研究背景与问题 随着深度生成模型（deep generative models）的快速发展，超逼真的面部图像和视频可以轻松生成，这些内容甚至能够欺骗人类的眼睛。这种技术被滥用时，可能导致政治、娱乐和社会领域的严重虚假信息传播问题，这种威胁被称为“深度伪造”（Deepfake）。为了应对这一安全问题，许多深度伪造检测方法被提出，并在训练和测试数据来自相同操纵类型且质量良好的情况下表现出色。然而，当面对未见过或低质量的伪造样本时，这些方法的性能显著下降。这主要是因为现有的深度伪造检测方法大多仅关注局部纹理、融合边界或频率信息等低层次伪造特征，而忽略了高层次语义信息的作用。 高层次语义信息（high-level semantics...

深入探讨基于精细线索和噪声不一致性的面部伪造检测 背景介绍 随着人工智能（AI）技术的快速发展，各种生成模型已实现了惊人的进步。这使得生成高逼真的“深度伪造（Deepfake）”面部图像变得越来越容易。这些高度逼真的面部伪造图像在娱乐、影视制作等领域具有合法用途，但也被滥用于恶意目的，如传播虚假信息、误导公众舆论，甚至威胁社会安全和国家安全。尤其是当主流媒体采用隐式压缩时，这些压缩过程往往会淡化伪造的痕迹，使得检测变得更加困难。因此，开发有效的面部伪造检测方法已成为多媒体信息安全领域的核心需求。 目前，大部分现有的伪造检测方法要么依赖空间域（spatial domain）特征，要么依赖频域（frequency domain）特征，却很少研究二者的相关性和互补性。另外，当图像质量较低或经过强压...

鲁棒的序列深度伪造检测 学术背景 随着深度生成模型（如GANs）的快速发展，生成逼真的人脸图像已经变得非常容易。然而，这种技术的滥用也引发了严重的安全问题，尤其是深度伪造（Deepfake）技术的滥用。深度伪造技术可以生成与真实图像几乎无法区分的伪造图像，这些图像可能被用于传播虚假信息、制造假新闻等恶意用途。为了应对这一问题，研究者们提出了多种深度伪造检测方法。然而，现有的方法主要集中在检测单步的人脸篡改操作，而随着易于使用的面部编辑应用程序的普及，人们可以通过多步操作对人脸进行序列化的篡改。这种新的威胁要求我们能够检测出一系列的面部篡改操作，这对于检测深度伪造媒体以及后续恢复原始人脸图像至关重要。 基于这一观察，本文提出了一个新的研究问题——序列深度伪造检测（Sequential Deep...