⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-01-08 更新
Self-Supervised Learning for Detecting AI-Generated Faces as Anomalies
Authors:Mian Zou, Baosheng Yu, Yibing Zhan, Kede Ma
The detection of AI-generated faces is commonly approached as a binary classification task. Nevertheless, the resulting detectors frequently struggle to adapt to novel AI face generators, which evolve rapidly. In this paper, we describe an anomaly detection method for AI-generated faces by leveraging self-supervised learning of camera-intrinsic and face-specific features purely from photographic face images. The success of our method lies in designing a pretext task that trains a feature extractor to rank four ordinal exchangeable image file format (EXIF) tags and classify artificially manipulated face images. Subsequently, we model the learned feature distribution of photographic face images using a Gaussian mixture model. Faces with low likelihoods are flagged as AI-generated. Both quantitative and qualitative experiments validate the effectiveness of our method. Our code is available at \url{https://github.com/MZMMSEC/AIGFD_EXIF.git}.
人工智能生成的面部检测通常被视为二分类任务。然而，由此产生的检测器通常难以适应新的AI面部生成器，这些生成器正在快速发展。在本文中，我们描述了一种基于从摄影面部图像中通过自监督学习提取相机固有和面部特定特征的异常检测方法来检测AI生成的面部。我们的方法成功的关键在于设计一个基础任务来训练特征提取器以排序四个有序的可交换图像文件格式（EXIF）标签并分类人为操纵的面部图像。随后，我们使用高斯混合模型对摄影面部图像的学习特征分布进行建模。具有低概率的面部被标记为AI生成的。定量和定性实验都验证了我们的方法的有效性。我们的代码可以在网址中找到：https://github.com/MZMMSEC/AIGFD_EXIF.git。
论文及项目相关链接
Summary
本文提出了一种基于自监督学习的异常检测方法，用于识别AI生成的人脸。该方法通过利用照片人脸图像中的相机内建和人脸特定特征进行训练，设计了一个排名EXIF标签和分类人为操作人脸图像的预设任务。通过高斯混合模型建模学习到的照片人脸图像特征分布，将可能性低的面部标记为AI生成。实验证明该方法有效。
Key Takeaways
- AI生成的人脸检测通常被视为二分类任务，但现有检测器难以适应新的AI人脸生成器。
- 本文提出了一种新的异常检测方法，利用自监督学习识别AI生成的人脸。
- 方法通过设计预设任务训练特征提取器，以排名EXIF标签和分类人为操作的人脸图像。
- 使用高斯混合模型建模照片人脸图像的特征分布，低概率的面部被标记为AI生成。
- 该方法通过了定量和定性实验验证其有效性。
- 研究的代码已公开可用。
点此查看论文截图
