![]()
逼真生成器的快速发展已到达一个关键节点，真实图像和操纵图像之间的差异日渐难以区分。因此，对检测数字操纵的Deepfake技术进行基准测试和改进成为紧迫问题。尽管已经有大量的公开可用的人脸伪造数据集，但伪造的人脸图像大多是使用基于 GAN 的合成技术生成的，而不涉及Diffusion等最新扩散模型。扩散模型生成的图像多样性和质量已得到显著提高，因此需要使用更具挑战性的人脸伪造数据集来评估 SOTA 伪造检测文献。在本文中，我们提出了一个大规模、多样化、细粒度的高保真数据集，即 GenFace，以促进深度伪造检测领域的发展。GenFace包含大量由基于Diffusion等先进扩散生成器生成的伪造人脸，以及有关操纵方法和采用的生成器的更详细标签。除了在我们的基准上评估 SOTA 方法外，我们还设计了一个新颖的跨外观-边缘学习 (CAEL) 检测器来捕获多粒度外观和边缘全局表示，并检测有区别且通用的伪造痕迹。此外，我们设计了一个外观-边缘交叉注意 (AECA) 模块来探索多样的外观边缘集成表示。大量的实验结果和可视化表明，我们的检测模型在跨生成器、跨操纵和跨数据集评估的表现优于最先进的模型。 ![]()
图1 GenFace数据集架构示意图
![]()
图2 GenFace收集和划分示意图
![]()
图3 CAEL检测模型示意图
论文信息
论文由深圳大学、大湾区大学、新加坡南洋理工大学、齐鲁工业大学（山东省科学院）、宁波诺丁汉大学合作完成，目前已被2024 IEEE Transactions on Information Forensics and Security (TIFS 2024) 接收。作者为张亚宁（齐鲁工业大学（山东省科学院），博士生），余梓彤（大湾区大学，助理教授，共同一作），王天一（新加坡南洋理工大学，博士后研究员），黄小斌（深圳大学，硕士生），沈琳琳（深圳大学，教授，通讯作者），高赞（齐鲁工业大学（山东省科学院），研究员，通讯作者），任剑锋 （宁波诺丁汉大学，教授）. Yaning Zhang, Zitong Yu, Tianyi Wang, et al. GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning. IEEE Transactions on Information Forensics and Security, 2024.
供稿：张亚宁、余梓彤
