紐約州立大學理工學院的一項新研究詳細概述了深度偽造數據集並確定了關鍵挑戰,為研究人員、工程師和從業者提供了寶貴的見解。它強調了開發主動檢測方法和改進現有資料集以有效應對深度偽造威脅的重要性。
這項工作對於維護數位資訊完整性和協助針對複雜的取證調查至關重要深度偽造威脅。該研究是發表在日記中法醫學。
這項研究由紐約州立大學理工學院網路與電腦安全助理教授 Zahid Akhtar 博士以及研究生 Thanvi Lahari Pendyala 和 Virinchi Sai Athmakuri 領導。
他們的論文將深度偽造分為身份交換、面部重演、屬性操作和整個面部合成,強調需要改進的數據集和強大的檢測方法。
現有的框架正在努力解決概括並且容易受到對抗性攻擊,因此需要偵測技術的進步。作者建議未來的研究應專注於創建全面的資料集並提高檢測方法的準確性、穩健性和即時能力。
更多資訊:Zahid Akhtar 等人,視訊和音訊 Deepfake 資料集以及 Deepfake 技術中的未解決問題:引領潮流,法醫學(2024)。DOI:10.3390/forensicsci4030021
引文:主動增強檢測方法並改進 Deepfake 資料集(2024 年 7 月 29 日)檢索日期:2024 年 7 月 29 日來自 https://techxplore.com/news/2024-07-proactively-methods-deepfake-datasets.html
本文檔受版權保護。除了出於私人學習或研究目的的任何公平交易外,不得未經書面許可,不得複製部分內容。所提供的內容僅供參考。