面向浅层特征高频分量的深度伪造检测算法

近年来，深度伪造技术大幅提升了合成人脸的真实感，且相较于传统伪造方法，其生成的虚假视频更加难以分辨。基于深度伪造图像视觉伪影常常存在于特征提取网络浅层特征高频分量中这一特性，设计了一种面向浅层特征高频分量的深度伪造图像检测算法。针对高通滤波器的缺陷，本实验在拉普拉斯金字塔的基础上设计了一种具有更好的过滤性能的高频残差提取模块。在增强模块中，使用Convolutional Block Attention Module (CBAM)增加特征图关键区域以及关键特征通道的权重，提升特征图的空间以及通道相关性。针对深层网络中高频分量学习优先级低的问题，设计了一种图像梯度损失算法，防止高频信息随着网络的加深而丢失。将梯度中心化引入AdamW优化器，解决了深度伪造检测模型训练时间长、泛化性差的问题。所提两种模型在FaceForensics++和Celeb-DF数据集上的准确率均优于主流算法，证明了算法的有效性以及泛化性。     

基于多尺度特征提取与融合的图像复制-粘贴伪造检测

在图像复制-粘贴伪造检测领域，精确地定位被篡改的小目标的边界充满挑战性。当前基于深度学习的方法通过检测图像中的相似内容来定位伪造区域，然而它们通常只是把编码器最终提取的特征传递给解码器来生成掩码，忽略了高分辨率的编码特征所包含的更多的伪造区域的空间信息，这会导致模型输出的预测结果对于小目标的边界识别不精确。针对这个问题，提出一种基于多尺度特征提取与融合的检测网络SimiNet。首先，使用多尺度特征提取模块提取丰富的特征；其次，在特征提取模块与解码模块之间添加跳跃连接以弥补编码特征与解码特征之间的差异，从而精确地识别小目标的边界；最后，用Log-Cosh Dice Loss函数替代交叉熵损失，以降低类别不平衡问题对检测结果的影响。实验结果表明，SimiNet在USCISI数据集上的F1分数达到72.54%，比次优方法 CMSDNet(CopyMove Similarity Detection Network)提升了3.39个百分点。可见，SimiNet对小目标的边界识别更精确，可视化效果更好。     

基于重构误差的无监督人脸伪造视频检测

目前有监督的人脸伪造视频检测方法需要大量标注数据。为解决视频伪造方法迭代快、种类多等现实问题，将时序异常检测中的无监督思想引入人脸伪造视频检测，将伪造视频检测任务转为无监督的视频异常检测任务，提出一种基于重构误差的无监督人脸伪造视频检测模型。首先，抽取待检测视频中连续帧的人脸特征点序列；其次，基于偏移特征、局部特征、时序特征等多粒度信息对待检测视频中人脸特征点序列进行重构；然后，计算原始序列与重构序列之间的重构误差；最后，根据重构误差的波峰频率计算得分对伪造视频进行自动检测。实验结果表明，在FaceShifter、FaceSwap等人脸视频伪造方法上，与LRNet(Landmark Recurrent Network)、Xception-c23等检测方法相比，所提方法的检测性能的曲线下方面积（AUC）最多增加了27.6%，移植性能的AUC最多增加了30.4%。     

基于空频联合卷积神经网络的GAN生成人脸检测

生成式对抗网络(GAN)的快速发展使其在图像生成领域取得了前所未有的成功。StyleGAN等新型GAN的出现使得生成的图像更真实且具有欺骗性，对国家安全、社会稳定和个人隐私都构成了较大威胁。文中提出了一种基于空频联合的双流卷积神经网络的检测模型。鉴于GAN图像在生成过程中因上采样操作在频谱上留下了清晰可辨的伪影，设计了可学习的频率域滤波核以及频率域网络来充分学习并提取频率域特征。为了减弱图像变换至频域过程中丢弃部分信息而带来的影响，同样设计了空间域网络来学习图像内容本身具有差异化的空间域特征，最终将两种特征融合来实现对GAN生成人脸图像的检测。在多个数据集上的实验结果表明，所提模型在高质量生成数据集上的检测精度及在跨数据集的泛化性上都优于现有算法，且对于JPEG压缩、随机剪裁、高斯模糊等图像变换具有更强的鲁棒性。不仅如此，所提方案在GAN生成的局部人脸数据集上也有不错表现，进一步证明了所提模型有着更好的通用性以及更加广泛的应用前景。