知识卡片
伪造检测看痕迹
篡改与深伪检测的基本思路是寻找生成或编辑过程留下的痕迹,而非直接判断像不像真的。普通篡改检测利用相机成像的像素相关性、去马赛克与JPEG压缩痕迹、传感器噪声等,因为拼接、复制移动、消除都会破坏这些一致性;深度伪造检测则转向色彩与频域统计、GAN指纹、篡改边界不一致、眨眼与心率等行为特征,以及音画不同步等多模态线索。反复出现的教训是:只盯住某种生成模型的特定缺陷,新模型一出现或图像一经压缩,检测就会失效。更稳的方向是识别伪造对真实数据生成机制的普遍破坏,并用多尺度特征、注意力机制提升泛化;但生成技术快速迭代仍要求检测模型持续更新。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 数据安全:防御 5.4.2.1 图像检测 · 查看原书依据
随着生成对抗网络(GAN)的快速发展,基于GAN的深度伪造方法层出不穷,给深伪检测带来新的挑战。研究发现,GAN会在伪造图像上面留下一些“指纹”痕迹,所以可以通过寻找这些痕迹来检测由GAN伪造的图像。
参考来源
- 位置:《人工智能数据与模型安全 (姜育刚马兴军吴祖煊)》第5章《数据安全:防御》(源文件:extracted/人工智能数据与模型安全 (姜育刚马兴军吴祖煊)/_epub-src/EPUB/xhtml/chapter10_0005.xhtml)
- 结论依据:篡改与深伪检测的基本思路是寻找生成或编辑过程留下的痕迹,而非直接判断像不像真的。普通篡改检测利用相机成像的像素相关性、去,原文从「5.4.2.1 图像检测」处给出对应机制与依据,支撑本卡结论。
- 原始内容:随着生成对抗网络(GAN)的快速发展,基于GAN的深度伪造方法层出不穷,给深伪检测带来新的挑战。研究发现,GAN会在伪造图像上面留下一些“指纹”痕迹,所以可以通过寻找这些痕迹来检测由GAN伪造的图像。