文章探讨了人脸图像伪造技术，包括属性操纵、表情交换、身份交换和整个面部合成。随着深度学习的发展，伪造图像愈发逼真，给识别技术带来挑战。文章介绍了两种检测方法：低级方法关注像素级痕迹，如频率分布特征；高级方法则检测视频中的语义不一致性。此外，研究还涉及伪造检测的新策略，如利用GAN指纹进行源追踪，以期跳出伪造生成与检测的军备竞赛。
Face Forgery
对数字图像的优化一直是计算机应用技术的研究热点，对人脸图像进行修改自美颜相机的出现后持续受到广大主播用户的追捧。这些图像修改方式或多或少对人脸认证增加了难度。尤其是近些年数据的爆炸增长和计算能力的快速发展，出现的专门对人脸进行伪造的算法，其依靠训练学习方式对人脸外观或者属性进行伪造，伪造出来的人脸图像也愈加真实，已经到了人眼无法辨别的程度。由于利用了更加先进的算法，以往的图像认证技术也很难应对这种伪造图像。
Face Forgery class
目前还有没准确的人脸伪造方式分类方案，但按照伪造程度大致可以分为Attribute Manipulation, Expression Swap(inc. Lip Sync), Identity Swap Entire Face Synthesis. (TODO: 优化分类方案)
Attribute Manipulation
这种伪造方式包括对人脸或头发的颜色，性别、年龄、是否佩戴眼镜等内容进行篡改。该类伪造方式通常以
Expression Swap
Identity Swap
Entire Face Synthesis
Face Forgery Detection
为了应对人脸伪造带来了巨大安全隐患，研究员也提出了诸多检测办法。在这里，我将其分类为两种：
- Low-level Approach：侧重于检测人脸图像合成过程中引入的像素级痕迹。比如，基于GAN网络生成的伪造图像，存
扫一扫
1064
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
