【编者：DeepFake检测研究对国家安全和社会稳定具有重要意义，该主题已成为国内外研究热点。复旦大学计算机学院姜育刚教授团队建立了更具挑战性的数据集WildDeepfake，更贴近实际使用场景，对开展假脸检测具有重要意义。本文特将该工作推荐给开展相关研究的同行，以促进学术进步。】
近年来，随着深度学习的发展，利用生成网络替换或者操作图像/视频中人脸的方法层出不穷，促使DeepFake技术有了长足的进步，一些合成的虚假图像/视频甚至无法人为地用肉眼进行鉴别。与此同时，DeepFake技术的发展不可避免地造成有人恶意利用其传播虚假信息、假冒政治人物等，这对网络信息的可靠性和社会稳定都造成了恶劣影。因此，深度伪造鉴别技术研究迫在眉睫。尽管目前深度伪造鉴别已经取得了一些进展，但是仍然难以有效应对层出不穷的伪造技术。其主要原因在于目前用于训练伪造鉴别器的数据集视频内容单一且伪造视频通常采用单一方法合成，导致训练得到的鉴别器泛化性差，难以应用于真实场景下的深度伪造视频检测。
图1: 数据集收集过程和处理方法
为了更好地支持对现实世界中的 Deepfake的检测，我们引入了一个新的数据集: WildDeepfake，它包含从 707 个 Deepfake 视频中提取的 7,314 个面部动作序列。我们的数据集和之前的数据集有一些不同：(1). 视频都是来源于网络，内容丰富多样。(2). 换脸视频由多种方法合成，因此检测难度更高。图1展示了我们的数据集收集的过程和处理方法。我们从bilibili和YouTube上爬取视频后，对视频进行人工筛选，以得到换脸效果比较逼真的视频。同时对换脸的视频帧进行人工标注，得到数据集标签。
图2: ADDNet(2D版本)的结构图
在构建的WildDeepfake数据集的基础上，我们还提出了两个（2D 和 3D）基于注意力的 Deepfake 检测网络（ADDNets）（结构如图2所示），我们利用在人脸上生成的Attention Mask，将其引入检测网络的结构中，使得网络更加关注五官区域，即虚假信息丰富的区域，来改进检测。最后，我们验证了ADDNet 在多种现有数据集以及我们的WildDeepfake数据集上的有效性，在多个数据集上的评估显示，我们的方法相比之前的方法可以更加鲁棒和稳定的检测Deepfake图像/视频。
该工作发表在ACMMM 2020上，作者是复旦大学的訾柏嘉、常明昊、陈静静、姜育刚*，以及澳大利亚迪肯大学的马兴军。
文章引用：Bojia Zi, MinghaoChang, Jingjing Chen, Xingjun Ma and Yu-Gang Jiang. 2020. WildDeepfake: AChallenging Real-World Dataset for Deepfake Detection. In ACM MM.
文章链接: https://arxiv.org/pdf/2101.01456.pdf
数据库使用：
(1). github链接：https://github.com/deepfakeinthewild/deepfake-in-the-wild
(2).数据集申请链接：https://docs.google.com/forms/d/e/1FAIpQLSfN-CrnxDz_Furv0KzcNdO_Nzf_3Gpy4s-P4qRjKBJuD2CaEA/viewform?usp=sf_link
相关信息也可在隐者联盟吧查看：http://www.yzlm8.com/article/14
撰稿：复旦大学 陈静静
编辑：复旦大学 钱振兴
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
