DFPD: Dual-Forgery Proactive Defense against Both Deepfakes and Traditional Image Manipulations

摘要

​ 主动防御人脸伪造旨在通过将难以察觉的对抗扰动嵌入到要保护的人脸图像中来破坏伪造模型的输出。然而，现有的方法主要侧重于深度伪造，往往忽视了传统的图像处理。这限制了它们的实际适用性，因为当deepfake尝试失败时，攻击者可能会诉诸于传统的操作。为了弥合这一差距，提出了一种双重伪造主动防御（DFPD）方法，用于打击深度伪造和传统图像处理。为了抵抗深度伪造，DFPD设计了一种基于梯度的集成对抗攻击，有效地破坏了多个深度伪造模型的输出。为了克服传统的操作，还设计了一种基于可逆神经网络（INN）的脆弱水印算法，能够准确定位篡改区域。此外，为了减轻扰动注入和水印嵌入之间的相互干扰，一方面，DFPD采用了一种串行流水线，从水印嵌入开始，然后进行扰动注入，这确保了在基于INN的嵌入过程中，注入的扰动不会移位到残差图像中。另一方面，引入形态学后处理模块来消除篡改定位结果中的对抗噪声。大量实验验证了DFPD的有效性，表明在PSNR方面，深度伪造干扰比最佳基线提高了20.25%，在ACC方面，传统篡改定位提高了9.67%，同时保持了高感知质量（32.75 dB PSNR）。

code：imagecbj/DFPD

贡献者: zhaozw

上一页Imbalance-Aware Discriminative Clustering for Unsupervised Semantic Segmentation

下一页Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks