基于多尺度特征融合重建学习的深度伪造人脸检测算法

随着深度伪造技术的快速发展,针对深度伪造人脸的检测已经成为计算机视觉领域的研究热点。虽然现有的基于噪声、局部纹理或频率特征的检测方法能够在特定场景中表现出良好的检测效果,但这些方法缺乏对人脸细粒度表征特征的深入挖掘,限制了其泛化能力。为了解决上述问题,文章提出了一种新型的基于多尺度特征融合重建的分类网络模型MSFFR,该网络模型从重建学习的角度学习挖掘人脸细粒度内容和梯度表征特征信息,并采用多尺度特征融合的方式实现伪造人脸的检测,通过融合这两种信息来识别伪造面孔。文章提出的模型包含3个创新模块,设计了双分支特征提取模块,用于揭示真实人脸与伪造人脸之间的分布差异;提出了细粒度内容和梯度特征融合模块,用于探索挖掘人脸细粒度内容特征与梯度特征之间的相关性;引入了基于重建视差的双向注意力模块,有效地指导模型对融合后的特征进行分类。在大规模基准数据集上进行的广泛实验表明,与现有技术相比,文章提出的方法在检测性能方面具有显著提高,尤其是在泛化能力方面表现出色。

深度合成风险防控标准体系研究

随着深度合成技术的广泛应用,其安全、伦理、隐私风险日益凸显。系统梳理国内外相关的政策、法规和标准制定情况发现,构建深度合成风险防控标准体系十分必要且迫切。通过建立涵盖基础、技术、评测、应用和管理五个方面的深度合成风险防控标准体系,将大大提升深度合成技术的透明度和可信度,促进其创新和健康发展,有效防范技术滥用带来的安全风险,对保障国家安全、社会稳定、司法公正以及提高公众对深度合成技术的信任具有至关重要的作用。