文章目录
- Learning Self-Consistency for Deepfake Detection
-
- 背景
- 关键
- 方法
-
- 傅立叶谱分析
- 图像转换
- 分类
- 实验
- 讨论
- 总结
Learning Self-Consistency for Deepfake Detection
会议:NeurIPS 2020
作者:
背景
深度生成模型(GAN、VAE等)能生成与真图无法区分的逼真图像
关键
对真实图像和深度网络生成图像的高频傅里叶模式进行了分析,并表明深度网络生成的图像在复制这些高频模式的属性方面具有可观察的系统性缺陷。
提出了一种基于图像频谱的检测方法
展示了压缩、裁剪和分辨率降低等图像变换对分类精度的影响,并提出了一种修改深度网络生成图像的高频属性以模拟真实图像的方法。
方法
傅立叶谱分析
傅里叶变换:分析真图和深度网络生成的图像在频域的特征
对于离散二维信号f(p;q)表示大小为m × n的图像的各个颜色通道,离散傅里叶变换F(kx;Ky)定义为