Sistema de Detecção de Uma Classe Baseado em Aprendizado Profundo para Faces Falsas Geradas por Rede GAN

Recentemente, os perigos associados à tecnologia de geração de faces têm atraído muita atenção no processamento de imagens e na ciência forense. Os métodos atuais de anti-fraude facial baseados em Redes Generativas Adversariais (GANs) sofrem de defeitos como sobreajuste e problemas de generalização. Este artigo propõe um novo método de geração usando um modelo de classificação de uma classe para julgar a autenticidade de imagens faciais, com o objetivo de realizar um método que seja o mais compatível possível com outros conjuntos de dados e novos dados, em vez de depender fortemente do conjunto de dados utilizado para o treinamento. O método proposto neste artigo possui as seguintes características: (a) adotamos vários métodos de aprimoramento de filtro como métodos básicos de geração de pseudo-imagens para aprimoramento de dados; (b) uma Rede Neural Convolucional Multi-Canal (MCCNN) aprimorada foi adotada como rede principal, possibilitando a aceitação de múltiplos dados pré-processados individualmente, obtendo mapas de características e extraindo mapas de atenção; (c) como uma primeira engenhosidade no treinamento da rede principal, aumentamos os dados usando métodos de aprendizado fracamente supervisionados para adicionar recorte e eliminação de atenção aos dados; (d) como uma segunda engenhosidade no treinamento da rede principal, a treinamos em duas etapas. Na primeira etapa, usamos uma função de perda de classificação binária para garantir que características faciais falsas conhecidas geradas por redes GAN conhecidas fossem filtradas. Na segunda etapa, usamos uma função de perda de classificação de uma classe para lidar com os vários tipos de redes GAN ou métodos desconhecidos de geração de faces falsas. Comparámos nosso método proposto com quatro métodos recentes. Nossos experimentos demonstram que o método proposto melhora a eficiência de detecção em domínios cruzados, mantendo a acurácia do domínio de origem. Esses estudos mostram uma possível direção para melhorar a taxa de resposta correta ao julgar a autenticidade de imagens faciais, contribuindo assim substancialmente tanto academicamente quanto na prática.