SIDA:Social Media Image Deepfake Detection, Localization and Explanation with Large Multimodal Model
SIDA: Social Media Image Deepfake Detection, Localization and Explanation with Large Multimodal Model
Zhenglin Huang1 Jinwei Hu1 Xiangtai Li 2 † Yiwei He1 Xingyu Zhao3 Bei Peng1 Baoyuan Wu4 Xiaowei Huang1 Guangliang Cheng1 † 1英国University of Liverpool 2新加坡南洋理工大学 3WMG, University of Warwick 4中国香港中文大学（深圳校区，广东省）
项目页：https://hzlsaber.github.io/projects/SIDA/ † 通讯作者。电子邮箱： guangliang.cheng@liverpool.ac.uk xiangtai94@gmail.com
摘要
生成式模型在创建高度逼真图像方面的快速发展，为虚假信息传播带来了重大风险。例如，合成图像一旦在社交媒体上被分享，就可能误导大量受众，削弱数字内容的信任度，导致严重后果。尽管取得了一定进展，学术界仍未为社交媒体创建大规模、多样化的深度伪造检测数据集，也未提出有效解决方案。 本文提出社交媒体图像检测数据集（SID-Set），该数据集具有三大优势： (1)海量数据，包含30万张AI生成/篡改及真实图像，并附有全面标注； (2)多样性广，涵盖各类完全合成与篡改图像； (3)逼真度高，图像经视觉检查几乎无法与真实图像区分。 此外，我们利用大型多模态模型的卓越能力，提出名为SIDA（社交媒体图像检测、定位与解释助手）的新型图像深度伪造检测、定位及解释框架。SIDA不仅能识别图像真实性，还能通过掩码预测标注篡改区域，并提供模型判断标准的文本解释。与SID-Set及其他基准测试中的最先进深度伪造检测模型相比，大量实验表明SIDA在多样化场景中表现出更优的性能。相关代码、模型及数据集将予以公开发布。
图3. 伪造图像生成流程：该流程包含四个阶段——首先使用GPT-4o从标题中提取对象，接着通过Language-SAM获取对象掩码，随后建立替换词典以生成伪造图像，最后采用Latent Diffusion生成新图像。图中展示了对象替换（如将“猫”替换为“狗”）和属性修改的示例。
图5. SIDA的处理流程：当输入图像xi和对应文本xt时，<DET>标记的最后一个隐藏层会生成检测结果。若检测结果提示图像存在篡改，SIDA将提取<SEG>标记以生成篡改区域的掩码。图中展示了一个男性面部被篡改的示例。