Schnelle Fortschritte im Bereich der von Künstlicher Intelligenz generierten Inhalte (AIGC) haben zunehmend ausgeklügelte Gesichtsfälschungen ermöglicht, die eine erhebliche Bedrohung für die soziale Sicherheit darstellen. Die derzeitigen Deepfake-Erkennungsmethoden sind jedoch durch Einschränkungen in den bestehenden Datensätzen begrenzt, die nicht die notwendige Vielfalt in realen Szenarien aufweisen. Insbesondere sind diese Datensätze in vier Schlüsselbereichen unzureichend: Unbekanntheit fortschrittlicher Fälschungstechniken, Variabilität der Gesichtsszenen, Reichhaltigkeit der echten Daten und Verschlechterung der realen Ausbreitung. Um diese Herausforderungen anzugehen, schlagen wir das Multi-Dimensional Face Forgery Image (MFFI) Dataset vor, das auf reale Szenarien zugeschnitten ist. MFFI verbessert den Realismus basierend auf vier strategischen Dimensionen: 1) Breitere Fälschungsmethoden; 2) Vielfältige Gesichtsszenen; 3) Diversifizierte authentische Daten; 4) Mehrstufige Verschlechterungsoperationen. MFFI integriert 50 verschiedene Fälschungsmethoden und enthält 1024K Bildproben. Benchmark-Bewertungen zeigen, dass MFFI bestehenden öffentlichen Datensätzen hinsichtlich Szenenkomplexität, domänenübergreifender Generalisierungsfähigkeit und Erkennungsschwierigkeiten überlegen ist. Diese Ergebnisse validieren den technischen Fortschritt und den praktischen Nutzen von MFFI zur Simulation realer Bedingungen. Das Dataset und weitere Details sind öffentlich verfügbar unter https://github.com/inclusionConf/MFFI.
Miao et al. (Sat,) haben diese Frage untersucht.