⚠️ 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
2025-03-18 更新
Deepfake Detection of Face Images based on a Convolutional Neural Network
Authors:Lukas Kroiß, Johannes Reschke
Fake News and especially deepfakes (generated, non-real image or video content) have become a serious topic over the last years. With the emergence of machine learning algorithms it is now easier than ever before to generate such fake content, even for private persons. This issue of generated fake images is especially critical in the context of politics and public figures. We want to address this conflict by building a model based on a Convolutions Neural Network in order to detect such generated and fake images showing human portraits. As a basis, we use a pre-trained ResNet-50 model due to its effectiveness in terms of classifying images. We then adopted the base model to our task of classifying a single image as authentic/real or fake by adding an fully connected output layer containing a single neuron indicating the authenticity of an image. We applied fine tuning and transfer learning to develop the model and improve its parameters. For the training process we collected the image data set “Diverse Face Fake Dataset” containing a wide range of different image manipulation methods and also diversity in terms of faces visible on the images. With our final model we reached the following outstanding performance metrics: precision = 0.98, recall 0.96, F1-Score = 0.97 and an area-under-curve = 0.99.
虚假新闻，尤其是深度伪造（生成的非真实图像或视频内容）在过去几年中成为了一个严肃的话题。随着机器学习算法的出现，现在对于个人而言，生成此类虚假内容比以往任何时候都更容易。在政治和公众人物方面，生成虚假图像的问题尤为严重。我们希望通过构建一个基于卷积神经网络（CNN）的模型来解决这一冲突，以检测展示人脸肖像的生成和虚假图像。我们以预训练的ResNet-50模型为基础，该模型在图像分类方面非常有效。然后，我们通过添加一个全连接的输出层（包含一个神经元，指示图像的真实性），将基础模型应用于我们的将单张图像分类为真实或虚假的任务。我们应用了微调（fine tuning）和迁移学习（transfer learning）来开发模型并改进其参数。为了训练过程，我们收集了包含各种图像操纵方法和面孔多样性的图像数据集“Diverse Face Fake Dataset”。使用我们的最终模型，我们达到了以下出色的性能指标：精确度= 0.98，召回率= 0.96，F1分数= 0.97，曲线下面积= 0.99。
论文及项目相关链接
Summary
人脸识别领域的虚假图像检测已引起广泛关注。采用基于卷积神经网络（CNN）的方法，利用预训练的ResNet-50模型作为基础，通过微调与迁移学习技术，构建出能够鉴别肖像图像真伪的模型。采用广泛多样的数据集进行训练，模型表现出卓越性能：精确度、召回率、F1分数和曲线下面积均接近或超过理想标准。
Key Takeaways
- 虚假新闻和深度伪造（生成的非真实图像或视频内容）已成为重要议题，特别是在政治和公众人物领域。
- 采用卷积神经网络（CNN）技术构建模型以检测生成的虚假肖像图像。
- 使用预训练的ResNet-50模型作为基础，有效分类图像。
- 通过添加全连接输出层来区分图像真伪。
- 采用微调与迁移学习技术来提升模型性能。
- 使用多样化的面部虚假数据集进行训练，涵盖多种图像处理方法及面部多样性。
点此查看论文截图
