deepfake detectors
PulseAugur coverage of deepfake detectors — every cluster mentioning deepfake detectors across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的ISPCloak方法使用物理伪装来规避深度伪造检测器
研究人员开发了一种名为ISPCloak的新方法，该方法利用图像信号处理（ISP）流水线来创建AI生成图像的物理伪装，使其无法被深度伪造检测器检测到。该方法利用了真实相机固有的统计特征，而这些特征在纯粹由数据驱动的生成模型中是不存在的。通过将图像投影到RAW域并注入真实的传感器噪声，ISPCloak生成了具有不易察觉的视觉变化的对抗性样本，能够有效地绕过当前的检测机制。
-
新的校准深度伪造信任评分将检测器能力与可信度挂钩
研究人员开发了一种名为校准后的深度伪造信任评分 (CDTS) 的新指标，以更好地评估深度伪造检测系统的可信度。CDTS 强调了一个关键关系：随着检测器准确性的下降，其信任度的校准也会下降。这一发现被一致地观察到，涵盖了包括卷积网络和 CLIP 视觉转换器在内的 32 种不同的检测器配置。CDTS 框架表明，检测器的可信度与其能力基本相关，主张进行能力感知的信任评分，并提供了一种监控校准风险的实用机制。
-
新的Cross-AUC指标为深度伪造检测器提供现实评估
研究人员引入了一种名为Cross-AUC的新指标，以更好地评估深度伪造检测器的性能。在使用接收者操作特征曲线下面积（AUC）的传统方法中，当检测器遇到来自不同来源或不同伪影类型的数据时，可能会产生误导。Cross-AUC通过对每域AUC进行平均，并结合预测极化度量（通过Wasserstein距离量化）来解决这一问题，从而更现实地评估域偏移下的泛化能力。在七个基准数据集上的实验表明，Cross-AUC为深度伪造检测鲁棒性提供了更具可解释…
-
语言模型增强深度伪造检测器的泛化能力和可解释性
研究人员开发了一种新颖的方法，通过利用多模态大型语言模型（MLLMs）来训练深度伪造检测器。该方法使用语言作为正则化机制，以提高检测器的泛化能力和可解释性。该系统采用双编码器架构和两阶段训练过程，包括强化学习以鼓励分类前的描述性推理，从而显著提高性能并提供可解释的输出。