如何实现检测算法:本文中的检测算法是通过训练一个二元分类器 D 来实现的,该分类器利用训练图像的相邻像素关系(NPR)作为特征提取器 f 的输入,以区分真实图像和合成图像。在测试阶段,分类器 D 根据 NPR 特征来预测测试图像是否为真实图像。为了训练这个分类器,作者们首先将 ProGAN 生成器的训练集作为真实图像,然后使用各种 GAN 和扩散模型生成合成图像。这些合成图像与真实图像混合在一起,用于训练二元分类器 D。在训练过程中,NPR 特征被提取出来并输入到分类器 D 中,以使其学习如何区分真实图像和合成图像。在测试阶段,对于给定的测试图像,NPR 特征被提取出来并输入到训练好的分类器 D 中,以预测该图像是否为真实图像。
CVPR 2024 - Rethinking the Up-Sampling Operations in CNN-based Generative Network for Generalizable Deepfake Detection
本文主要研究了基于 CNN 的生成网络中的上采样操作,以实现通用的深度伪造检测。研究者发现,上采样操作不仅可以产生基于频率的伪造 artifact,还可以产生更广义的伪造 artifact。研究者提出了邻近像素关系(NPR)的概念,用作训练检测模型的 artifact 表示。研究者通过在包含 28 种不同生成模型样本的开放世界数据集上进行的全面分析,验证了所提出 NPR 的有效性。