Ce référentiel fournit une enquête complète sur la détection avancée des deepfakes monomodaux et multimodaux élaborée dans l'enquête suivante.
Ping Liu 1 , Qiqi Tao 2 , Joey Tianyi Zhou 2,3
1 Université du Nevada, Reno
2 Centre de recherche Frontier AI (CFAR), A*STAR
3 Centre de technologies avancées en matière de sécurité en ligne (CATOS)
Si vous pensez que des œuvres supplémentaires devraient être incluses dans notre liste, n'hésitez pas à nous envoyer un e-mail ([email protected]/[email protected]/[email protected] ) ou soulever un problème. Vos suggestions et commentaires sont inestimables pour garantir l’exhaustivité et l’exactitude de notre ressource.
Enquêtes pertinentes
Génération et détection de Deepfake/AIGC
Vérification des faits multimodale
Ensembles de données Deepfake faciales
Ensembles de données générés par le GAN monomodal
Ensembles de données générés par diffusion monomodale
Ensembles de données audiovisuelles multimodales
Ensembles de données textuelles et visuelles multimodales
Détection Deepfake monomodale (visuelle)
Méthodes proactives pour les GAN
Méthodes proactives pour les modèles de diffusion
Détection naïve
Détection avancée
Détection du modèle de diffusion
Détection séquentielle des Deepfakes
Niveau d'entrée
Niveau du modèle
Niveau d'apprentissage
Détection passive
Détection proactive
Détection multimodale des Deepfakes
Apprentissage indépendant
Apprentissage conjoint
Apprentissage basé sur le matching
Autres
Fusion intermédiaire
Fusion tardive
Stratégie multitâche
Régularisation
Détection des deepfakes audiovisuels
Détection textuelle-visuelle des deepfakes
Détection Deepfake digne de confiance
Attaque contradictoire
Attaque par porte dérobée
Minimisation des écarts
Stratégies de défense
[arXiv 2024] Détection passive des deepfakes à travers plusieurs modalités : un document d'enquête complet
[arxiv 2024] Génération et détection de Deepfake : un projet de référence et d'enquête
[arxiv 2024] Détection du multimédia généré par de grands modèles d'IA : un projet de document d'enquête
[ECAI 2023] Détection de visages générée par le GAN : une enquête et de nouvelles perspectives
[NeurIPS 2023] DeepfakeBench : une analyse comparative complète du projet de papier de détection des Deepfakes
[arxiv 2023] Détection des Deepfakes : une étude complète du point de vue de la fiabilité
[IJCV 2022] Lutte contre les DeepFakes malveillants : projet Survey, Battleground et Horizon Paper
[EMNLP 2023] Vérification des faits automatisée multimodale : un document d'enquête
| Ensemble de données | Année | Tâche | Modalité manipulée | # de vraies vidéos | # de fausses vidéos | Papier | Lien |
|---|---|---|---|---|---|---|---|
| FaceForensics++(FF++) | 2019 | Classification | Visuel | 1 000 | 4 000 | FaceForensics++ : Apprendre à détecter les images faciales manipulées | Télécharger |
| DFD | 2019 | Classification | Visuel | 363 | 3 068 | Contribuer aux données à la recherche sur la détection des deepfakes | Télécharger |
| DFFD | 2020 | Classification | Visuel | 1 000 | 3 000 | Sur la détection de la manipulation numérique du visage | Télécharger |
| FaceShifter | 2020 | Classification | Visuel | - | 1 000 | FaceShifter : vers un échange de visage haute fidélité et tenant compte de l'occlusion | Télécharger |
| DFDC | 2020 | Classification | Visuel | 23 654 | 104 500 | L'ensemble de données DeepFake Detection Challenge (DFDC) | Télécharger |
| Célébrité-DF | 2020 | Classification | Visuel | 590 | 5 639 | Celeb-df : un ensemble de données complexes à grande échelle pour l'investigation des deepfakes | Télécharger |
| DeeperForensics-1.0 | 2020 | Classification | Visuel | 50 000 | 10 000 | DeeperForensics-1.0 : un ensemble de données à grande échelle pour la détection de falsifications de visages dans le monde réel | Télécharger |
| SauvageDeepfake | 2020 | Classification | Visuel | 3 805 | 3 509 | WildDeepfake : un ensemble de données difficiles du monde réel pour la détection des Deepfakes | Télécharger |
| KoDF | 2020 | Classification | Visuel | 62 166 | 175 776 | KoDF : un ensemble de données coréen de détection de DeepFake à grande échelle | Télécharger |
| FFIW_10 000 | 2021 | Classification et mise à la terre spatiale | Visuel | 10 000 | 10 000 | Affrontez les médecins légistes dans la nature | Télécharger |
| ContrefaçonNet | 2021 | Classification, ancrage spatial et ancrage temporel | Visuel | 99 630 | 12,1617 | Forgerynet : une référence polyvalente pour une analyse complète des contrefaçons | Télécharger |
| Plateau DF | 2023 | Classification | Visuel | 133 260 | 132 496 | DF-Platter : ensemble de données Deepfake hétérogènes multifaces | Télécharger |
| Ensemble de données | Année | Tâche | Modalité manipulée | # d'images réelles | # de fausses images | Papier | Lien |
|---|---|---|---|---|---|---|---|
| DeepFakeVisage | 2023 | Classification | Visuel | 30 000 | 90 000 | Robustesse et généralisabilité de la détection des Deepfakes : une étude avec des modèles de diffusion | Télécharger |
| DiFF | 2024 | Classification | Visuel | 23 661 | 537 466 | Détection de contrefaçon faciale par diffusion | Télécharger |
| DiffusionVisage | 2024 | Classification | Visuel | 30 000 | 600 000 | DiffusionFace : vers un ensemble de données complet pour l'analyse de la falsification de visage basée sur la diffusion | Télécharger |
| DiffusionDB-Face | 2024 | Classification | Visuel | 94 120 | 24 794 | Deepfake de diffusion | Télécharger |
| JourneyDB-Face | 2024 | Classification | Visuel | 94 120 | 87 833 | Deepfake de diffusion | Télécharger |
| Ensemble de données | Année | Tâche | Modalité manipulée | # de vraies vidéos | # de fausses vidéos | Papier | Lien |
|---|---|---|---|---|---|---|---|
| FauxAVCeleb | 2021 | Classification | Visuel et audio | 500 | 19 500 | FakeAVCeleb : un nouvel ensemble de données Deepfake multimodal audio-vidéo | Télécharger |
| TMC | 2022 | Classification et ancrage temporel | Visuel et audio | 2 563 | 4 380 | Ensemble de données et étude sur les utilisateurs du Trusted Media Challenge | - |
| LAV-DF | 2022 | Classification et ancrage temporel | Visuel et audio | 36 431 | 99 873 | Voulez-vous vraiment dire cela ? Ensemble de données Deepfake audiovisuel basé sur le contenu et méthode multimodale pour la localisation de contrefaçon temporelle | Télécharger |
| DefakeAVMiT | 2023 | Classification | Visuel et audio | 540 | 6 480 | AVoiD-DF : apprentissage conjoint audiovisuel pour détecter les deepfakes | - |
| AV-Deepfake1M | 2023 | Classification et ancrage temporel | Visuel et audio | 286 721 | 860 039 | AV-Deepfake1M : un ensemble de données Deepfake audiovisuel à grande échelle basé sur LLM | Télécharger |
| MMDFD | 2023 | Classification | Visuel & Audio & Texte | 1 500 | 5 000 | MMDFD - Un ensemble de données personnalisé multimodal pour la détection des Deepfakes | - |
| PolyGlotFaux | 2024 | Classification | Visuel & Audio & Texte | 766 | 14 472 | PolyGlotFake : un nouvel ensemble de données DeepFake multilingue et multimodal | Télécharger |
| Ensemble de données | Année | Tâche | Modalité manipulée | # de vraies paires image-texte | # de fausses paires image-texte | Papier | Lien |
|---|---|---|---|---|---|---|---|
| DGM4 | 2023 | Classification, mise à la terre spatiale et mise à la terre du texte | Visuel & Texte | 77 426 | 152 574 | DGM4 : Détecter et ancrer la manipulation des médias multimodaux et au-delà | Télécharger |
[CVPR 2024] Repenser les opérations de suréchantillonnage dans le réseau génératif basé sur CNN pour un document de détection généralisable des Deepfakes
[CVPR 2024] LAA-Net : réseau d'attention aux artefacts localisés pour un papier de détection de Deepfake généralisable et indépendant de la qualité
[arXiv 2024] Opérateur indépendant des données : un extracteur de représentation d'artefacts sans formation pour le papier de détection de Deepfake généralisable
[arXiv 2024] Un seul patch simple suffit pour le papier de détection d'images généré par l'IA
[arXiv 2024] GenFace : une référence à grande échelle en matière de contrefaçon de visage et un document d'apprentissage à la pointe de l'apparence croisée
[TMM 2023] GLFF : Fusion de fonctionnalités mondiales et locales pour un papier de détection d'images synthétisées par l'IA
[CVPRW 2023] Propriétés intrigantes des images synthétiques : des réseaux contradictoires génératifs aux modèles de diffusion
[arXiv 2023] Fonctionnalité de bruit de diffusion : papier de détection d'image généré de manière précise et rapide
[CVPR 2021] Document de détection multi-attentionnel des Deepfakes
[CVPR 2020] Amélioration globale de la texture pour la détection des faux visages dans le papier sauvage
[ICCV 2019] FaceForensics++ : Apprendre à détecter les images faciales manipulées
[WIFS 2018] Mesonet : un réseau compact de détection de falsification vidéo faciale
[arXiv 2024] Généralisation de la détection vidéo Deepfake avec Plug-and-Play : mélange au niveau vidéo et papier de réglage de l'adaptateur spatio-temporel
[arXiv 2024] UniForensics : Détection de falsification de visage via un document de représentation faciale générale
[arXiv 2024] Apprendre la représentation naturelle pour le papier de détection vidéo de contrefaçon de visage
[IJCV 2024] Apprentissage de l'incohérence spatio-temporelle via la mise en page des vignettes pour le papier de détection des faux visages
[CVPR 2024] Exploitation des flux latents de style pour généraliser le papier de détection vidéo Deepfake
[arxiv 2024] Détection de vidéo Deepfake compressée basée sur un article sur les trajectoires spatio-temporelles 3D
[AAAI 2023] Détection des deepfakes basée sur le bruit via un article à interaction relative multi-têtes
[ICCV 2023] TALL : disposition des vignettes pour le papier de détection de vidéos Deepfake
[CVPR 2023] AltFreezing pour un papier de détection de contrefaçon de visage vidéo plus général
[TCSVT 2023] MRE-Net : réseau d'excitation multi-débit pour le papier de détection vidéo Deepfake
[WACV 2023] TI2Net : Réseau d'incohérence d'identité temporelle pour le papier de détection de Deepfake
[ACM MM Asia 2022] Détection de modèles latents : détection de vidéos Deepfake via l'apprentissage de représentations prédictives
[CVPR 2021] Les lèvres ne mentent pas : une approche généralisable et robuste pour faire face à la détection des faux
[ICCV 2021] Exploration de la cohérence temporelle pour un document de détection de contrefaçon de visage vidéo plus général
[ACM MM 2020] DeepRhythm : Exposer les DeepFakes avec un article sur les rythmes cardiaques visuels attentionnels
[WIFS 2018] Dans Ictu Oculi : exposer de fausses vidéos créées par l'IA en détectant le papier clignotant des yeux
[arXiv 2024] Un cadre axé sur la qualité pour le papier générique de détection des Deepfakes
[arXiv 2024] Vers une détection générale des deepfakes avec un document de programme dynamique
[ECCV 2024] Faites semblant jusqu'à ce que vous y parveniez : augmentations de la contrefaçon dynamique des programmes vers un document général de détection des Deepfakes
[arXiv 2024] Pouvons-nous laisser de côté les données Deepfake lors de la formation du détecteur Deepfake ? Papier
[arXiv 2024] ED4 : Débiaisation explicite au niveau des données pour le papier de détection des Deepfakes
[arXiv 2024] FSBI : Détection des Deepfakes avec papier d'images auto-mélangées à fréquence améliorée
[arXiv 2024] FreqBlender : Amélioration de la détection des DeepFakes en mélangeant le document de connaissances sur les fréquences
[ICCV 2023] SeeABLE : divergences légères et apprentissage contrastif limité pour exposer le papier Deepfakes
[arXiv 2023] Transcender la spécificité de la contrefaçon avec l'augmentation de l'espace latent pour un papier de détection de Deepfake généralisable
[CVPR 2022] Détection des Deepfakes avec du papier d'images auto-mélangées
[CVPR 2022] Apprentissage auto-supervisé d'un exemple contradictoire : vers de bonnes généralisations pour le document de détection des Deepfakes
[CVPR 2021] Extraction de contrefaçon représentative pour le papier de détection de faux visages
[ICCV 2021] Apprendre l'auto-cohérence pour le document de détection des Deepfakes
[arXiv 2024] Exploiter les transformations d'ondelettes pour la détection généralisable des contrefaçons profondes
[arXiv 2024] Réseau d'agrégation de contextes et de fréquences multiples pour le document de détection des Deepfakes
[AAAI 2024] Détection des Deepfakes sensible à la fréquence : améliorer la généralisabilité grâce au document d'apprentissage de l'espace fréquentiel
[ICASSP 2024] Masquage de fréquence pour le papier de détection universel des deepfakes
[CVPR 2023] Apprentissage dynamique de graphiques avec raisonnement par relation spatio-fréquence guidé par le contenu pour le document de détection des Deepfakes
[AAAI 2022] FrePGAN : Détection robuste de Deepfake à l'aide d'un article sur les perturbations au niveau de la fréquence
[AAAI 2022] AJOUTER : Attention fréquentielle et distillation des connaissances basée sur plusieurs vues pour détecter les images Deepfake compressées de faible qualité
[CVPR 2021] Apprentissage superficiel en phase spatiale : repenser la détection des falsifications de visages dans le domaine fréquentiel
[CVPR 2021] Généralisation de la détection des faux visages avec des fonctionnalités haute fréquence
[CVPR 2021] Apprentissage des caractéristiques discriminantes sensible à la fréquence supervisé par une perte monocentrique pour le papier de détection de contrefaçon de visage
[AAAI 2021] Document d'apprentissage des relations locales pour la détection de contrefaçon de visage
[ECCV 2020] Penser en fréquence : Détection de falsification de visages en exploitant des indices sensibles à la fréquence
[TMM 2024] DIP : Apprentissage par diffusion du modèle d'incohérence pour le document général de détection des DeepFakes
[arXiv 2024] FakeFormer : transformateurs efficaces axés sur les vulnérabilités pour un document de détection de Deepfake généralisable
[arXiv 2024] Exploiter les transformations d'ondelettes pour la détection généralisable des contrefaçons profondes
[arXiv 2024] Détection de falsification de visage avec un papier de base élaboré
[arXiv 2024] Debout sur les épaules de géants : reprogrammation du modèle de langage visuel pour le document général de détection des Deepfakes
[arXiv 2024] Guidé et fusionné : CLIP-ViT gelé efficace avec guidage des fonctionnalités et fusion de fonctionnalités en plusieurs étapes pour un papier de détection de Deepfake généralisable
[arXiv 2024] Détection ouverte des deepfakes : une méthode d'adaptation efficace en termes de paramètres avec du papier mélangé de style contrefaçon
[arXiv 2024] Une enquête opportune sur le transformateur de vision pour le papier de détection des Deepfakes
[arXiv 2024] Exploration des transformateurs de vision auto-supervisés pour la détection des Deepfake : un document d'analyse comparative
[arXiv 2024] Mélange d'experts de bas rang pour un papier de détection d'images transférable généré par l'IA
[arXiv 2024] MoE-FFD : mélange d'experts pour un papier de détection de contrefaçon de visage généralisé et efficace en termes de paramètres
[CVPR 2023] AUNet : Apprentissage des relations entre les unités d'action pour le papier de détection de faux visages
[ACM MM 2023] UMMAFormer : Un cadre de transformateur universel multimodal adaptatif pour la localisation de la contrefaçon temporelle
[ICCVW 2023] Undercover Deepfakes : détection de faux segments dans un document vidéo
[arXiv 2023] DeepFake-Adapter : adaptateur double niveau pour papier de détection DeepFake
[MIPR 2023] Amélioration de la détection générale des falsifications de visages via un transformateur de vision avec un papier d'adaptation de bas rang
[arXiv 2024] Comprendre et améliorer les détections d'images générées par l'IA sans formation avec le document Vision Foundation Models
[arXiv 2024] Adaptateur médico-légal : adaptation de CLIP pour le papier de détection de falsification de visage généralisable
[arXiv 2024] ForgeryGPT : modèle multimodal en grand langage pour la détection et la localisation de falsifications d'images explicables
[ACCV 2024] DPL : Détection DeepFake de qualité croisée via un double document d'apprentissage progressif
[WACV 2025] DeCLIP : Décoder les représentations CLIP pour la localisation des deepfakes
[arXiv 2024] X2-DFD : UN CADRE POUR LA DÉTECTION DE DEEPFAKE EXPLICABLE ET EXTENSIBLE
[arXiv 2024] MFCLIP : CLIP multimodal à grain fin pour papier de détection de contrefaçon de visage par diffusion généralisable
[arXiv 2024] FFAA : Document d'assistant d'analyse de contrefaçon de visage en monde ouvert explicable basé sur un modèle multimodal à grand langage
[arXiv 2024] C2P-CLIP : injection d'une invite commune de catégorie dans CLIP pour améliorer la généralisation dans le document de détection des Deepfakes
[arXiv 2024] GM-DF : Document de détection généralisée de Deepfake multi-scénarios
[arXiv 2024] Vers une détection plus générale des deepfakes basée sur la vidéo grâce à une adaptation guidée des caractéristiques faciales pour le papier modèle de base
[arXiv 2024] FakeBench : découvrez le talon d'Achille des fausses images avec de grands modèles multimodaux
[Atelier CVPR 2024] ChatGPT peut-il détecter les DeepFakes ? Une étude sur l'utilisation de grands modèles de langage multimodaux pour l'analyse médico-légale des médias
[arXiv 2024] SHIELD : Analyse d'évaluation de l'usurpation de visage et de la détection de contrefaçon avec des modèles de langage multimodaux à grande échelle
[arXiv 2024] Raisonnement de bon sens pour un document de détection de fausses informations
[ACM ICMRW 2024] Vers une évaluation quantitative des méthodes d'IA explicables pour le papier de détection des Deepfakes
[arxiv 2023] Transformateur de vision adaptatif sensible à la falsification pour le papier de détection de falsification de visage
[arXiv 2023] Vers un document général de détection de faux visages visuo-linguistiques
[ToMM 2024] Apprentissage de fonctionnalités invariantes de domaine et discriminantes par patch pour le document général de détection des Deepfakes
[ICME 2023] Apprentissage de fonctionnalités invariantes de domaine pour le document général de détection de contrefaçon de visage
[ICDM 2023] Perte d'anneau concentrique pour le papier de détection de contrefaçon de visage
[arXiv 2024] Capturez des artefacts via un démêlage progressif et une purification des identités mixtes pour le papier de détection Deepfake
[CVPR 2024] Préserver la généralisation de l'équité dans le document de détection des Deepfakes
[arXiv 2024] Découplage de la sémantique de la contrefaçon pour le papier de détection de Deepfake généralisable
[arXiv 2023] Améliorer la détection des Deepfakes sur plusieurs ensembles de données grâce à un document de décomposition approfondie des informations
[ICCV 2023] UCF : découverte des fonctionnalités communes du papier de détection des deepfakes généralisables
[ECCV 2022] Exploration des informations de contenu démêlées pour le papier de détection de contrefaçon de visage
[CVPR 2023] MARLIN : Encodeur automatique masqué pour le papier d'apprentissage sur la représentation vidéo faciale
[CVPR 2022] Apprentissage de reconstruction-classification de bout en bout pour le papier de détection de contrefaçon de visage
[IJCAI 2021] Au-delà du spectre : détection des deepfakes via un document de re-synthèse
[CVPRW 2020] OC-FakeDect : Classification des Deepfakes à l'aide d'un papier d'encodeur automatique variationnel à une classe
[CVPR 2024] EditGuard : filigrane d'image polyvalent pour la localisation des falsifications et le papier de protection des droits d'auteur
[WACV 2024] Localisation de deepfake faiblement supervisée dans des images générées par diffusion
[arXiv 2024] Delocate : Détection et localisation de vidéos Deepfake avec du papier de traces falsifiées localisées de manière aléatoire
[CVPR 2023] MaLP : Localisation de manipulations à l'aide d'un document de schéma proactif
[CVPR 2023] Fuite d'identité implicite : la pierre d'achoppement pour améliorer le document de généralisation de la détection des deepfakes
[ACM MM 2023] Localiser et vérifier : un réseau à deux flux pour un papier de détection amélioré des Deepfakes
[CVPR 2020] Rayons X du visage pour un papier de détection plus générale de contrefaçon de visage
[CVPR 2020] Sur la détection du papier de manipulation numérique des visages
[NeurIPS 2024] DiffusionFake : Amélioration de la généralisation dans la détection des Deepfakes via un papier de diffusion stable guidée
[CVPR 2023] Papier de détection d'échange de visages Deepfake basé sur l'identité implicite
[CVPR 2022] Protéger les célébrités contre les DeepFakes grâce au document Transformateur de cohérence d'identité
[TPAMI 2021] Détection DeepFake basée sur les écarts entre les visages et leur document de contexte
[ICCV 2021] ID-Reveal : document de détection vidéo DeepFake prenant en compte l'identité
[arXiv 2023] DomainForensics : Dévoiler la falsification de visages dans tous les domaines via un document d'adaptation bidirectionnel
[AAAI 2022] AJOUTER : Attention fréquentielle et distillation des connaissances basée sur plusieurs vues pour détecter les images Deepfake compressées de faible qualité
[ACM MM 2021] CoReD : Généralisation de la détection de faux médias avec représentation continue à l'aide de papier de distillation
[CVPRW 2021] FReTAL : Généraliser la détection des Deepfakes à l'aide du document d'apprentissage sur la distillation et la représentation des connaissances
[Journal of Mathematical Imaging and Vision 2015] Papier sur les barycentres de mesures en tranches et Radon Wasserstein
[arXiv 2024] Apprentissage multitâche orienté sémantique pour la détection DeepFake : un document d'approche d'intégration conjointe
[ToMM 2024] Maîtriser la détection des Deepfakes : une approche de pointe pour distinguer les images GAN et celles de modèle de diffusion
[CVPR 2023] Document de détection et de localisation de falsifications d'images hiérarchiques à grain fin
[ICCV 2023] Espace de guidage contrôlable pour le papier de détection de falsification de visage généralisable
[arXiv 2024] Sur l'efficacité de l'alignement des ensembles de données pour le papier de détection de fausses images
[CVPR 2024] LaRE^2 : Méthode basée sur les erreurs de reconstruction latente pour le papier de détection d'images générées par diffusion
[VISAPP 2024] Vers la détection du papier Deepfakes du modèle de diffusion
[arXiv 2024] Papier de détection de contrefaçon faciale par diffusion
[ICCV 2023] DIRE pour papier de détection d'images générées par diffusion
[ICASSP 2023] Sur la détection d'images de synthèse générées par des modèles de diffusion Article
[ICCVW 2023] Détection d'images générées par des modèles de diffusion profonde à l'aide de leur article sur la dimensionnalité intrinsèque locale
[ICMLW 2023] Exposer les faux : papier de détection efficace d'images générées par diffusion
[ECCV 2022] Détection et récupération du papier de manipulation séquentielle DeepFake
[arXiv 2023] Document de détection séquentielle robuste des DeepFakes
[CVPR 2024] Apprentissage contrastif pour la classification et la localisation DeepFake via un document de classement multi-étiquettes
[TIFS 2024] Document de ressources sur le réseau multi-collaboration et multi-supervision pour la détection séquentielle des deepfakes
[Transactions sur l'électronique grand public 2024] Détection de la manipulation séquentielle de Deepfake via Spectral avec attention pyramidale dans le document Consumer IoT
[arXiv 2024] Cacher les visages à la vue de tous : défendre les DeepFakes en perturbant le papier de détection des visages
[arXiv 2024] Les caractéristiques du visage comptent : un document d'approche de détection proactive des deepfakes basé sur un filigrane dynamique
[arXiv 2024] ID-Guard : un cadre universel pour lutter contre la manipulation faciale via la rupture du papier d'identité
[IJCAI 2024] Les filigranes sont-ils des bugs pour les détecteurs Deepfake ? Repenser le document de criminalistique proactive
[TIFS 2024] Double défense : filigrane robuste contradictoire, traçable et invisible contre le papier à échange de visage
[CVPR 2023] MaLP : Localisation de manipulations à l'aide d'un document de schéma proactif
[ACM MM 2023] SepMark : filigrane séparable en profondeur pour le traçage de source unifié et le papier de détection de Deepfake
[arXiv 2023] L'extraction de fonctionnalités compte davantage : perturbation universelle des deepfakes via l'attaque des extracteurs de fonctionnalités d'ensemble
[arXiv 2023] Filigrane perceptuel d'identité robuste contre le papier d'échange de visage Deepfake
[CVPR 2022] Papier de détection proactive de manipulation d'images
[ICLR 2022] Divulgation responsable des modèles génératifs utilisant du papier d'empreintes digitales évolutif
[ECCV 2022] TAFIM : Attaques contradictoires ciblées contre les manipulations d'images faciales
[AAAI 2022] CMUA-Watermark : un filigrane contradictoire universel multi-modèles pour lutter contre les Deepfake Papers
[IJCAI 2022] Anti-contrefaçon : vers une attaque de perturbation DeepFake furtive et robuste via un document sur les perturbations contradictoires sensibles à la perception
[AAAI 2021] Initiative de défense contre la manipulation faciale
[CVPRW 2020] Perturber les deepfakes : attaques contradictoires contre les réseaux de traduction d'images conditionnelles et les systèmes de manipulation faciale
[WACVW 2020] Perturber les algorithmes DeepFake basés sur la traduction d'images avec des attaques contradictoires
[ICLR 2024] DIAGNOSTIC : Détection des utilisations de données non autorisées dans les modèles de diffusion texte-image
[NeurIPSW 2024] DiffusionShield : un filigrane pour la protection des droits d'auteur des données contre les modèles de diffusion générative
[ICCV 2023] La signature stable : enracinement des filigranes dans les modèles de diffusion latente
[TPS-ISA 2023] Filigrane invisible pour les modèles de diffusion de génération audio papier
[arXiv 2023] Une recette pour le papier de modèles de diffusion de filigrane
[arXiv 2023] LEAT : Vers une perturbation robuste des deepfakes dans des scénarios du monde réel via un document d'attaque d'ensemble latent
[Applied Soft Computing 2023] AVFakeNet : un modèle d'apprentissage profond unifié de bout en bout Dense Swin pour la détection des deepfakes audiovisuels
[APSIPA ASC 2022] Détection de contrefaçon multimodale à l'aide d'un document d'apprentissage d'ensemble
[ICCV 2021] Document conjoint sur la détection des deepfakes audiovisuels
[ACM MMW 2021] Évaluation d'un ensemble de données Deepfake multimodal audio-vidéo à l'aide de détecteurs unimodal et multimodal
[BMVC 2024] Détection des deepfakes audiovisuels avec des incohérences à grain fin
[arXiv 2024] Attention intermodale contextuelle pour la détection et la localisation des deepfakes audiovisuels
[TIFS 2023] AVoiD-DF : Apprentissage conjoint audiovisuel pour la détection des faux papiers
[arXiv 2022] Un réseau multimodal basé sur l'attention audiovisuelle pour le papier de détection de vidéos de faux visages parlants
[ICCV 2021] Document conjoint sur la détection des deepfakes audiovisuels
[arXiv 2024] Intégration de fonctionnalités audiovisuelles pour le papier de détection multimodal de Deepfake
[arXiv 2024] AVT2-DWF : Amélioration de la détection des Deepfakes avec la fusion audiovisuelle et les stratégies de pondération dynamique
[Image Communication 2023] Magnification des indices de contrefaçon multimodale pour la détection des Deepfakes
[arXiv 2023] DF-TransFusion : Détection multimodale de Deepfake via l'attention croisée audio labiale et le papier d'auto-attention faciale
[DICTA 2022] Pensez-vous vraiment cela ? Ensemble de données Deepfake audiovisuel basé sur le contenu et méthode multimodale pour la localisation de la contrefaçon temporelle
[APSIPA ASC 2022] Détection de contrefaçon multimodale à l'aide d'un document d'apprentissage d'ensemble
[ACM MMW 2021] Évaluation d'un ensemble de données Deepfake multimodal audio-vidéo à l'aide de détecteurs unimodal et multimodal
[ICASSP 2024] Régularisation multi-modalité et intra-modalité pour le document de détection audiovisuel DeepFake
[arXiv 2024] AVT2-DWF : Amélioration de la détection des Deepfakes avec la fusion audiovisuelle et les stratégies de pondération dynamique
[arXiv 2023] MIS-AVoiDD : représentation invariante de modalité et spécifique pour le papier de détection audiovisuel de Deepfake
[CVPRW 2023] Multimodaltrace : Détection de Deepfake à l'aide d'un document d'apprentissage sur la représentation audiovisuelle
[arXiv 2024] DiMoDif : Différenciation des modalités de discours et des informations pour la détection et la localisation des deepfakes audiovisuels
[ICME 2024] Apprentissage de corrélation explicite pour un document de détection de Deepfake multimodal généralisable
[TIFS 2023] AVoiD-DF : Apprentissage conjoint audiovisuel pour la détection des faux papiers
[CVPRW 2023] Multimodaltrace : Détection de Deepfake à l'aide d'un document d'apprentissage sur la représentation audiovisuelle
[arXiv 2024] Intégration de fonctionnalités audiovisuelles pour le papier de détection multimodal de Deepfake
[ICCV 2021] Document conjoint sur la détection des deepfakes audiovisuels
[ICASSP 2024] Régularisation multi-modalité et intra-modalité pour le document de détection audiovisuel DeepFake
[TIFS 2023] AVoiD-DF : Apprentissage conjoint audiovisuel pour la détection des faux papiers
[Image Communication 2023] Magnification des indices de contrefaçon multimodale pour la détection des Deepfakes
[arXiv 2023] MIS-AVoiDD : représentation invariante de modalité et spécifique pour le papier de détection audiovisuel de Deepfake
[ICIP 2024] Document sur le détecteur de deepfake audiovisuel prenant en compte les statistiques
[ToMM 2023] L'homogénéité voix-visage révèle un article Deepfake
[arXiv 2023] Détection multimodale non supervisée des deepfakes à l'aide d'un article sur les incohérences intra et intermodales
[arXiv 2024] Contourner les raccourcis dans les ensembles de données de détection de deepfake audiovisuels avec un apprentissage non supervisé
[CVPR 2024] AVFF : Fusion de fonctionnalités audiovisuelles pour le papier de détection vidéo Deepfake
[CVPR 2023] Forensique vidéo auto-supervisée par papier de détection d'anomalies audiovisuelles
[ToMM 2023] Approche neurosymbolique multimodale pour un article de détection de Deepfake explicable
[TCSVT 2023] PVASS-MDD : Auto-supervision prédictive de l'alignement visuel-audio pour le papier de détection multimodale de Deepfake
[CVPRW 2023] Document de détection audiovisuel de personnes d'intérêt DeepFake
[TPAMI 2024] Détection et mise à la terre de la manipulation de médias multimodaux et au-delà du papier
[ICASSP 2024] Exploitation des fonctionnalités spécifiques aux modalités pour la détection de manipulations multimodales et le papier de mise à la terre
[ICME 2024] Explications contrefactuelles pour la détection de falsification de visage via la suppression contradictoire d'artefacts
[arXiv 2023] Cadre unifié assisté par fréquence pour la détection et la mise à la terre du document de manipulation multimodale
[CVPR 2023] Détection et mise à la terre du papier de manipulation de médias multimodaux
[ACM MM 2024] Document de défi sur la détection des 1M-Deepfakes
[ECCVW 2024] Explorer les forces et les faiblesses de l'attaque en super-résolution dans le document de détection des Deepfakes
[arXiv 2024] Grossissement contradictoire pour tromper la détection des Deepfakes grâce au papier super résolution
[AAAI 2024] TraceEvader : Rendre les DeepFakes plus intraçables en évitant le document d'attribution du modèle de contrefaçon
[ICASSP 2024] AdvShadow : Éviter la détection de DeepFake via un document d'attaque fantôme contradictoire
[CVPR 2023] Éviter les classificateurs médico-légaux avec des visages contradictoires conditionnés par des attributs
[ICCV 2023] Document GAN sensible à la fréquence pour la génération de manipulations contradictoires
[TCSVT 2023] Éviter la détection de DeepFake via un papier filtrant implicite d'encoche de domaine spatial
[arXiv 2023] Explorer les attaques par boîte noire basées sur la décision sur le papier de détection de contrefaçon de visage
[arXiv 2023] Explorer les attaques par boîte noire basées sur la décision sur le papier de détection de contrefaçon de visage
[arXiv 2023] AVA : attaque contradictoire basée sur la variation d'attributs discrets contournant le document de détection DeepFake
[arXiv 2023] Transformez le faux en réel : attaques contradictoires contre le papier de détection Deepfake
[CVPR 2022] Exploration de la fréquence des attaques contradictoires pour le papier de détection de contrefaçon de visage
[WDCW 2022] Évaluation de la robustesse des modèles de détecteurs Deepfake basés sur des séquences par un article sur les perturbations contradictoires
[ICIP 2021] Exemples contradictoires imperceptibles pour le papier de détection de fausses images
[CVPRW2021] Menaces contradictoires pesant sur la détection des DeepFake : un document de perspective pratique
[WACV 2021] Adversarial Deepfakes : évaluation de la vulnérabilité des détecteurs Deepfake aux exemples contradictoires
[CVPRW 2020] Éviter les détecteurs d'images Deepfake avec des attaques par boîtes blanches et noires
[ECCVW 2020] Attaque contradictoire contre la détection de Deepfake à l'aide de papier de patchs de texture basé sur RL
[IJCNN 2020] Document sur les détecteurs de deepfakes trompeurs de perturbations contradictoires
[ICLR 2024] Visage de contrefaçon empoisonné : vers des attaques par porte dérobée sur le papier de détection de contrefaçon de visage
[arXiv 2024] Est-il possible de détecter les faux visages par porte dérobée avec des déclencheurs naturels ? Papier
[BigDIA 2023] Le réel n'est pas vrai : attaques dérobées contre le papier de détection Deepfake
[AAAI 2024] Traduction de spectre pour le raffinement de la génération d'images (STIG) basée sur l'apprentissage contrastif et le papier de profil de filtre spectral
[WACVW 2024] Sur la vulnérabilité des détecteurs DeepFake aux attaques générées par le document de modèles de diffusion de débruitage
[CVPR 2023] Éviter les détecteurs DeepFake via un document de cohérence statistique contradictoire
[Transactions IEEE sur une informatique fiable et sécurisée 2023] Rendre les DeepFakes plus fallacieux : éviter la détection des falsifications de visages profondes via un document d'attaque de suppression de traces
[CVPR 2022] Réfléchissez à deux fois avant de détecter les fausses images générées par le GAN à partir de leur papier d'empreintes de domaine spectral
[ACM MM 2022] Vaincre DeepFakes via un document de reconstruction visuelle contradictoire
[CVPR 2021] Explorer de fausses images contradictoires sur du papier collecteur de visages
[ACM MM 2020] FakePolisher : Rendre les DeepFakes plus évasifs grâce au papier de reconstruction peu profonde
[arXiv 2020] FakeRetouch : Éviter la détection des DeepFakes grâce aux conseils d'un papier bruité délibéré
[WACV 2024] D4 : Détection des deepfakes à diffusion contradictoire à l'aide d'ensembles disjoints
[TIFS 2024] DF-RAP : Une perturbation contradictoire robuste pour se défendre contre les deepfakes dans le document de scénarios de réseaux sociaux du monde réel
[ICMM 2024] Détection de Deepfake robuste et contradictoire via un document d'apprentissage sur la similarité des fonctionnalités contradictoires
[arXiv 2024] Détection basée sur XAI des attaques contradictoires sur le document des détecteurs Deepfake
[FG 2023] FaceGuard : Une défense auto-supervisée contre les images faciales contradictoires
[Série de symposiums IEEE sur l'intelligence informatique 2022] Document de détection vidéo Deepfake robuste et contradictoire
[Journal of Electronic Imaging 2021] EnsembleDet : s'unir contre les attaques contradictoires sur la détection des deepfakes
[arXiv 2021] Détection robuste de médias deepfakes à l'aide de prédictions de réseaux neuronaux convolutifs fusionnés
[arXiv 2024] Détection des Deepfakes en temps réel dans le papier du monde réel
[Atelier CVPR 2024 DFAD] Plus rapide que les mensonges : détection des deepfakes en temps réel à l'aide de réseaux de neurones binaires
[arXiv 2024] Apprentissage fédéré de la détection de faux visages avec papier de représentation personnalisé
[TIFS 2023] FedForgery : détection généralisée de falsification de visage avec apprentissage fédéré résiduel
[24e atelier international de l'IEEE 2022 sur le traitement du signal multimédia (MMSP)] Deepfake Detection with Data Privacy Protection Paper
