⚠️ 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
2025-05-16 更新
WaveGuard: Robust Deepfake Detection and Source Tracing via Dual-Tree Complex Wavelet and Graph Neural Networks
Authors:Ziyuan He, Zhiqing Guo, Liejun Wang, Gaobo Yang, Yunfeng Diao, Dan Ma
Deepfake technology poses increasing risks such as privacy invasion and identity theft. To address these threats, we propose WaveGuard, a proactive watermarking framework that enhances robustness and imperceptibility via frequency-domain embedding and graph-based structural consistency. Specifically, we embed watermarks into high-frequency sub-bands using Dual-Tree Complex Wavelet Transform (DT-CWT) and employ a Structural Consistency Graph Neural Network (SC-GNN) to preserve visual quality. We also design an attention module to refine embedding precision. Experimental results on face swap and reenactment tasks demonstrate that WaveGuard outperforms state-of-the-art methods in both robustness and visual quality. Code is available at https://github.com/vpsg-research/WaveGuard.
深度伪造技术带来了日益严重的风险，如侵犯隐私和身份盗窃。为了解决这些威胁，我们提出了WaveGuard，这是一个主动的水印框架，通过频域嵌入和基于图的结构一致性增强稳健性和隐蔽性。具体来说，我们使用双树复数小波变换（DT-CWT）将水印嵌入高频子带，并采用结构一致性图神经网络（SC-GNN）来保持视觉质量。我们还设计了一个注意力模块来提高嵌入精度。在面部交换和重新上妆任务上的实验结果表明，WaveGuard在稳健性和视觉质量方面都优于最先进的方法。代码可在https://github.com/vpsg-research/WaveGuard获得。
论文及项目相关链接
PDF 11 pages, 5 figures, 4 tables
Summary
针对Deepfake技术带来的隐私入侵和身份盗窃等风险，我们提出了WaveGuard，一个基于频率域嵌入和图结构一致性技术的先进水印框架。该框架利用双树复小波变换嵌入水印到高频子带，并利用结构一致性图神经网络保持视觉质量。同时设计注意力模块提高嵌入精度。在面部交换和面部重放任务上的实验结果表明，WaveGuard在鲁棒性和视觉质量方面均优于现有方法。代码已公开。
Key Takeaways
- Deepfake技术存在隐私入侵和身份盗窃等风险。
- WaveGuard是一个针对Deepfake技术的水印框架，旨在提高鲁棒性和不易察觉性。
- 利用双树复小波变换（DT-CWT）将水印嵌入高频子带。
- 采用结构一致性图神经网络（SC-GNN）保持视觉质量。
- 设计了注意力模块以提高嵌入精度。
- 在面部交换和重放任务上进行了实验验证，表明WaveGuard在鲁棒性和视觉质量方面表现优异。
点此查看论文截图
