ImageCLEF 2026：探索对抗性深度伪造生成与检测方法

一篇研究论文详细介绍了团队参与ImageCLEF 2026深度伪造生成与检测任务的情况，采用了FLUX.1-dev和PuLID进行身份保留的面部合成，以及多模型PGD对抗性攻击。他们的生成方法在对抗组织者检测器方面达到了90%的规避率。在检测方面，他们结合了SigLIP+DINOv2和GenD-DINOv3检测器，在基线深度伪造上达到了99.4%的准确率，但在真实图像上存在较高的误报率。进一步研究净化对抗检测表明，通过EFFORT检测器应用的原始$|\Delta \text{logit}|$在median-3净化下，能有效区分对抗性输入和干净输入，反驳了简单的骨干网络保留假设。 AI

影响 这项研究有助于应对深度伪造技术的持续军备竞赛，突显了先进的对抗性技术和潜在的检测方法。

排序理由 该集群包含一篇研究论文，详细介绍了对抗性深度伪造的生成和检测方法，包括新的攻击和防御策略。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• CLIP ViT-L/14
• DiffJPEG
• DINOv2
• FLUX.1-dev
• GenD-DINOv3
• ImageCLEF 2026
• Projected Gradient Descent
• SigLIP

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →