⏶7
FakeParts：一种新的人工智能生成深度伪造（DeepFake）系列
发表
由 
taesiri 提交
taesiri 提交作者: 
Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton
Gaetan Brison, Soobash Daiboo, Samy Aimeur, Awais Hussain Sani, Xi Wang, Gianni Franchi, Vicky Kalogeiton摘要
我们引入了FakeParts，一类新的深度伪造，其特点是对原本真实的视频的特定空间区域或时间片段进行细微、局部的操纵。与完全合成的内容不同，这些局部操纵，从改变面部表情到替换物体和修改背景，都能与真实元素无缝融合，使其特别具有欺骗性且难以检测。为了解决检测能力的关键差距，我们提出了FakePartsBench，这是第一个专门为捕捉部分深度伪造的全部范围而设计的大规模基准数据集。我们的数据集包含超过25,000个视频，并附有像素级和帧级操纵标注，能够全面评估检测方法。我们的用户研究表明，与传统深度伪造相比，FakeParts将人类检测准确率降低了30%以上，并且在最先进的检测模型中也观察到了类似的性能下降。这项工作揭示了当前深度伪造检测方法的紧迫漏洞，并提供了开发更鲁棒的部分视频操纵方法的必要资源。
> 我们推出了 FakeParts，一类新的深度伪造（deepfakes），其特点是对真实视频中的特定空间区域或时间段进行细微、局部的操纵。与完全合成的内容不同，这些部分操纵，从改变面部表情到对象替换和背景修改，都能与真实元素无缝融合，使其特别具有欺骗性且难以检测。为了解决检测能力的关键差距，我们提出了 FakePartsBench，这是第一个专门设计用于捕捉部分深度伪造（partial deepfakes）完整范围的大规模基准数据集。我们的数据集包含超过 25,000 个具有像素级和帧级操纵注释的视频，能够对检测方法进行全面评估。我们的用户研究表明，与传统深度伪造相比，FakeParts 将人类检测准确率降低了 30% 以上，并且在最先进的检测模型中也观察到了类似的性能下降。这项工作揭示了当前深度伪造检测方法的紧迫漏洞，并提供了开发更强大的局部视频操纵方法的必要资源。