基于增强Swin Transformer的深度伪造人脸检测

针对传统卷积神经网络感受野的大小受限和特征交互学习能力弱,基于卷积神经网络的伪造人脸检测技术提取到的特征相对单一的问题,提出了基于增强Swin Transformer的深度伪造人脸检测方法,引入了局部多头自注意力和全局多头自注意力机制,结合了Swin Transformer的优势,能够有效地捕获图像上下文信息和视频时序关系,具有较强的全局感受野和长距离依赖建模能力。在DFDC数据集的实验结果表明,该方法优于基线方法,具有较好的深度伪造人脸检测能力。

基于帧间量化参数强度值检测深度伪造人像视频

深度学习算法的发展为伪造人像视频的创作增添了“助力”,应运而生的深度伪造检测成为学界和业界关注的焦点。基于深度学习的伪造视频检测技术需要耗费大量时间与算力训练分类器,深度学习网络的黑盒性和不可解释性也困扰着深度伪造人像视频取证研究。围绕深度伪造人像视频的真实性取证问题,本文提出一种基于视频帧间量化参数强度值的检测方法,并通过二元Logistic回归方程给出参考阈值。实验结果表明:本文的方法在检测利用DeepFaceLab换脸平台合成的深度伪造人像视频中表现出良好的准确率和鲁棒性。所提方法有助于对可疑人像视频真实性进行判断,为涉案人像视频提供取证依据。

基于多尺度transformer的伪造人脸检测方法

考虑到目前大多数伪造人脸分类方法存在分类精度低、泛化能力差的问题,提出一种结合多尺度transformer和卷积块注意力模块的伪造人脸分类方法。多尺度transformer用来学习卷积层所提取特征图的高级语义特征,卷积块注意力模块用来增强此高级语义特征,使其更具有区分性,使用增强后的特征来进行分类。实验结果表明,该方法可以显著提高伪造人脸分类的准确性和泛化能力。

深度伪造人工智能的刑事风险应对

深度伪造技术是被称作“生成式对抗网络”(GAN)的人工智能深度学习人类样本,将个人的外貌、声音等生物识别信息伪造合成虚假内容的人工智能技术。目前我国刑法对于深度伪造技术的规制主要存在两种模式。一是对非法获取、出售、提供个人生物信息的上游犯罪进行风险预防的前置性保护模式,二是对利用深度伪造的虚假信息实施诈骗、诽谤等下游犯罪进行事后评价的后端处置模式。但上述两种规制模式都未对非法利用深度伪造技术的行为进行刑事规范,难以规制“合法获取 + 不法利用”生物识别信息的行为,无法实现刑法的规范保护目的。因此,应当对非法利用深度伪造技术行为进行定性分析,加强对个人生物识别信息的刑法保护,将非法利用行为纳入侵犯公民个人信息罪的行为类型,弥补非法利用深度伪造技术的刑法规制空白。

基于有监督注意力网络的伪造人脸视频检测

在伪造人脸视频检测中,大多数方法都以单一的卷积神经网络作为特征提取模块,提取的特征可能与人类的视觉机制不符。针对此类问题,提出基于有监督注意力网络的伪造人脸视频检测方法。基于胶囊网络检测伪造人脸视频,使用注意力分支提高对伪造人脸图像细节特征的提取能力,使用焦点损失提高模型对难检测样本的检测能力。在数据集FaceForensics++上的实验结果表明,提出方案有更优越的性能。

基于多尺度Transformer融合多域信息的伪造人脸检测

当前,基于Deepfakes等深度伪造技术生成的“换脸”类伪造视频泛滥,给公民个人隐私和国家政治安全带来巨大威胁,为此,研究视频中深度伪造人脸检测技术具有重要意义。针对已有伪造人脸检测方法存在的面部特征提取不充分、泛化能力弱等不足,提出一种基于多尺度Transformer对多域信息进行融合的伪造人脸检测方法。基于多域特征融合的思路,同时从视频帧的频域与RGB域进行特征提取,提高模型的泛化性;联合EfficientNet和多尺度Transformer,设计多层级的特征提取网络以提取更精细的伪造特征。在开源数据集上的测试结果表明,相比已有方法,所提方法具有更好的检测效果;同时在跨数据集上的实验结果证明了所提模型具有较好的泛化性能。

深度伪造人脸检测技术发展综述

近年来,使用深度伪造人脸的视频进行欺诈、虚假身份认证等事件频出,给维护社会安定和保障个人权益带来了巨大的挑战。因此,对视频中的深度伪造人脸检测技术成为一个备受关注的新兴技术领域。基于此,结合中国专利全文数据库(CNTXT)中2019—2023年间申请的涉及视频中深度伪造人脸检测技术的专利文献,分析视频中深度伪造人脸检测技术的最新研究进展及发展方向,为后续视频中深度伪造人脸检测技术的研发、专利申请或专利分析等提供依据。

基于非关键掩码和注意力机制的深度伪造人脸篡改视频检测方法

自深度伪造技术(Deepfake)被提出以来,其非法应用对个人、社会、国家安全造成了恶劣影响,存在巨大隐患,因此针对人脸视频的深度伪造检测是计算机视觉领域中的热点及难点问题。针对上述问题,提出了一种基于非关键掩码和CA_S3D模型的深度伪造视频检测方法。该方法首先将人脸图像划分为关键区域和非关键区域,通过对非关键区域掩码的处理,提高了深度神经网络对人脸图像关键区域的关注程度,减少了无关信息对深度神经网络的影响和干扰;接着在S3D网络中引入上下文注意力模块,增强了对样本数据信息长程依赖的捕获能力,提高了对关键通道和特征的关注程度。实验结果表明,该方法在DFDC数据集上得到了明显的性能提升,准确率从83.85%提升到了90.10%,AUC值从0.931提升到了0.979;同时与现有的深度伪造视频检测方法进行了对比,所提方法的表现优于现有方法,验证了该方法的有效性。

基于注意力机制和一致性损失的深度伪造人脸检测方法

为解决目前深度仿造检测方法对于跨数据集的检测性能难以提高的问题,提出基于注意力机制和一致性损失相结合的深度伪造人脸检测方法(method based on attention mechanism and consistency loss,MAMCL)。采用多注意力机制,迫使网络捕捉到更细微的局部异常。采用基于注意力机制的擦除方式,鼓励模型深入挖掘之前忽略的区域。设计一致性模块获取伪造图像中普遍存在的不一致细节特征,并应用一致性损失引导模型更加关注伪造细节。在面部取证++(FaceForensics++,FF++)数据集上进行实验,准确率达到96.38%,受试者工作特征曲线(receiver operating characteristic curve,ROC)的曲线下面积达到99.34%,在泛化性能测试中也取得了良好的效果。通过消融实验,证明了每个模块的有效性。结果表明,提出的检测方法能够较为准确地检测深度伪造人脸,且具有良好的泛化性能,可以作为应对当前人脸伪造威胁的有效检测手段。

具有隐私保护特性的深度伪造人脸检测模型

现有伪脸检测研究都是在明文条件下开展,而人脸图像具有重要的隐私性.因此,基于加性秘密分享框架,提出一种具有隐私保护特性的深度伪造人脸图像检测模型.首先在现有基础运算协议的基础上,构建4个安全通信协议,并通过理论分析证明了它们的安全性和正确性;然后使用不共谋的双服务器构建一个类明文的环境,在构建的安全通信协议支持下,双服务器中预训练好的ResNet50模型交互协同计算;最后综合双服务器的运算结果,在不暴露输入的情况下实现安全伪脸检测.在公开数据集FaceForensics++,Celeb-DF和DFDC上的实验结果表明,所提模型能够在实现支持隐私保护的前提下,与明文条件下的ResNet50模型准确率保持一致;所提出的隐私保护模型也适用于ResNet50之外的其他明文SOTA伪脸检测模型,如Xception和EfficientNet-B0等.

深度伪造人脸视频检测技术综述

近年来,随着短视频平台的兴起,各种自媒体的出现,网络上的视频数据增长迅速。深度伪造的视频的传播给网络安全带来了严峻的挑战。深度伪造技术被滥用的同时也提醒了学术界,使得学术界关于研究和探索基于深度神经网络和人工智能技术的图像视频数据生成技术,逐步转向针对人像伪造的图像和视频数据的检测技术的研究和探索中。基于此,首先介绍了深度伪造检测的相关方面的技术如自编码器、生成对抗网络及其衍生技术,以及依托这些技术进行伪造的工具以及开源项目,同时也回顾了深度伪造与检测技术的发展;其次介绍了主流的深度伪造检测数据集,回顾了深度伪造检测技术的发展,并对现有的工作进行了总结和归类;最后分析并且总结了深度伪造技术对于个人生活以及社会影响的两面性,归纳并指出目前的深度伪造检测方法存在的局限性,根据其局限性讨论了深度伪造检测未来可能的研究方向,旨在为后续的研究者进一步推动深度伪造检测技术的发展指出方向。

票据被伪造人责任追究的最新研究

票据伪造情形中的伪造人和被伪造人,一般情况下都无需承担票据责任。在我国学界,这早已成为定论。不过,当出现表见伪造的情况时,被伪造人应当承担责任。可是该责任追究能否适用表见代理类推适用的方法得以解决这一问题值得研究。另外,当有被伪造人愿意追认时,被伪造人票据责任不得免除。问题是在票据伪造中,在被伪造人愿意追认的前提下,追认的对象是什么。进而,如果被伪造人可以追认,其追认效力是属于有溯及力的补充授权,还是不具有溯及力的一种新的票据行为。这些问题均亟待解决。为此,针对表见伪造和被伪造人追认这个核心问题,有必要根据具体情况分别作出不同的责任划分,以求厘清票据伪造中当事人的责任关系。

论票据伪造人的法律责任

票据伪造人是伪造票据的实际行为人。伪造人伪造签章的行为在主观上应是出于故意,且以牟取非法利益为目的。伪造人因其并未以自己的名义在票据上签章,一般认为,伪造人不享有任何票据权利,也不承担任何票据义务。但是,肯定伪造人应负担票据义务、承担票据上责任的观点逐渐成为有力的主张,主要有伪造人行为说和类推适用说两种学说。伪造人是票据伪造法律关系的最终义务人,应承担由伪造行为导致的全部不利后果。伪造人可能承担的票据外的法律责任,包括民事责任、刑事责任及行政责任。

融合全局时序和局部空间特征的伪造人脸视频检测方法

近年来,深度学习在人工智能领域表现出优异的性能。基于深度学习的人脸生成和操纵技术已经能够合成逼真的伪造人脸视频,也被称作深度伪造,让人眼难辨真假。然而,这些伪造人脸视频可能会给社会带来巨大的潜在威胁,比如被用来制作政治虚假新闻,从而引发政治暴力或干扰正常选举等。因此,亟需研发对应的检测方法来主动发现伪造人脸视频。现有的方法在制作伪造人脸视频时,容易在空间上和时序上留下一些细微的伪造痕迹,比如纹理和颜色上的扭曲或脸部的闪烁等。主流的检测方法同样采用深度学习,可以被划分为两类,即基于视频帧的方法和基于视频片段的方法。前者采用卷积神经网络(Convolutional Neural Network,CNN)发现单个视频帧中的空间伪造痕迹,后者则结合循环神经网络(Recurrent Neural Network,RNN)捕捉视频帧之间的时序伪造痕迹。这些方法都是基于图像的全局信息进行决策,然而伪造痕迹一般存在于五官的局部区域。因而本文提出了一个统一的伪造人脸视频检测框架,利用全局时序特征和局部空间特征发现伪造人脸视频。该框架由图像特征提取模块、全局时序特征分类模块和局部空间特征分类模块组成。在FaceForensics++数据集上的实验结果表明,本文所提出的方法比之前的方法具有更好的检测效果。

基于自注意力胶囊网络的伪造人脸检测方法

当前以换脸为代表的伪造视频泛滥,给国家、社会和个人带来潜在威胁,有效检测该类视频对保护个人隐私和维护国家安全具有重要意义。为提高视频伪造人脸检测效果,基于可解释性好的胶囊网络,以Capsule-Forensics检测算法为基础,提出一种结合自注意力胶囊网络的伪造人脸检测方法。使用部分Xception网络作为特征提取部分,降低模型的参数量,在主体部分引入带注意力机制的胶囊结构,使模型聚焦人脸区域,将综合多维度的Focal Loss作为损失函数,提高模型对难分样例的检测效果。实验结果表明,与Capsule-Forensics算法相比,该方法能够减少模型参数量和计算量,在多种伪造类型数据集上均具有较高的准确率。

基于双流网络结构的深度伪造人脸的检测方法

深度伪造技术(Deepfake)是一种基于生成对抗网络(Generative Adversarial Networks,GAN)的深度网络模型,可以利用源和目标人脸生成高度逼真且难以鉴别的人脸视频。如果不法分子借此技术制造虚假视频并在互联网上传播谣言,将会侵犯个人肖像权,造成不良的社会影响,甚至引发严重的司法纠纷。面对深度伪造技术带来的严重威胁,国内外众多研究机构高度关注深度伪造检测技术的研究并提出了若干检测方法。现有的检测方法在高质量视频上可以取得良好的检测效果,然而日常应用中的视频通常会通过社交软件从而被压缩为低质量视频,在此类低质量数据集中,现有的大多数伪造人脸检测方法的准确率有着明显的下降,并且现有方法在跨库情况下的检测性能也不够理想。文中针对现有工作的局限性,提出了一种注意力机制下基于Xception模型的双流网络结构。该网络结构中包含了使用多重注意力机制的RGB分支,以及用于捕捉低质量视频伪影效应的频率域分支。通过研究发现,真实图像与伪造图像之间的微小差别更多地集中在局部位置,因此多重注意力机制下的RGB分支将使得模型关注人脸的不同区域,并在注意力图的指导下得到由低层纹理特征及高层语义特征聚合的全局特征。频率域分支引入离散余弦变换作为频域变换手段,为图像提供与RGB分支互补的特征表示,此分支能够反映细微的伪造痕迹或者压缩误差。为了验证该网络结构的有效性,所提算法在FaceForensics++,Celeb-DF以及DFDC 3个公开数据集上进行了大量对比实验。实验结果表明,所提算法在低质量视频集上的性能优于现有的检测算法,并且所提模型在跨库场景下具有更好的检测性能,即验证了文中提出的注意力机制下的RGB和频率域双流特征的结合可以提高检测模型在低质量视频集及跨库情形下的鲁棒性。

基于孪生胶囊网络的伪造人脸视频检测方法

随着深度学习技术的发展,以换脸为代表的人脸伪造视频在互联网上广泛传播,对个人隐私和国家政治安全构成了严重威胁。针对传统基于有监督学习训练的伪造人脸检测方法面对新的伪造数据时存在泛化能力差的问题,提出基于孪生胶囊网络Siamese-Capsules的检测方法,通过结合无监督学习的思想,使用度量学习中的三元组损失和中心损失训练模型。在FaceForensics++伪造视频数据集上的实验结果表明,相较其他方法,Siamese-Capsules虽然在针对单一伪造类型的准确率上有所下降,但其泛化能力得到较大提升。

基于深度对齐网络的生成对抗网络伪造人脸检测

针对现有的生成对抗网络(GAN)伪造人脸图像检测方法在有角度及遮挡情况下存在的真实人脸误判问题,提出了一种基于深度对齐网络(DAN)的GAN伪造人脸图像检测方法。首先,基于DAN设计面部关键点提取网络,以提取真伪人脸关键点位置;然后,采用主成分分析(PCA)方法将每一组关键点映射到三维空间,从而减少冗余信息以及降低特征维度;最后,利用支持向量机(SVM)五折交叉验证对特征进行分类,并计算准确率。实验结果表明,该方法通过提高面部关键点定位准确度改善了由于定位误差引起的面部不协调问题,进而降低了真实人脸误判率。与VGG19、XceptionNet和Dlib-SVM方法相比,正脸情况下,该方法的ROC下面积(AUC)值提高了4.48到32.96个百分点,平均精度(AP)提高了4.26到33.12个百分点;有角度及遮挡人脸情况下,该方法的AUC值提高了10.56到30.75个百分点,AP提高了7.42到42.45个百分点。

浅议票据伪造中被伪造人的责任和风险

我国票据法和相关学理都认为,被伪造人因未在伪造的票据上签名或盖章,故不负票据责任。但如果对票据伪造和签章伪造进行概念上的区分,就可以在被伪造人和相关善意当事人之间更公平地划分票据责任和票据风险。