喜讯！陈文智教授团队论文被网络空间安全领域顶级期刊TDSC录用
浙江大学计算机系统结构实验室博士生虞楚尔的论文“Diff-ID: An Explainable Identity Difference Quantification Framework for DeepFake Detection”于2024年2月被网络安全领域的顶级期刊IEEE Transactions on Dependable and Secure Computing录用。该论文由陈文智教授指导，分析了Deepfake换脸伪造图像内在的身份特征缺失，提出基于真实参考人脸计算伪造人脸的身份信息损失的检测方法。该方法对不同换脸方法生成的伪造图片具有良好的检测泛化性，同时对于图像压缩有很强的鲁棒性。
期刊介绍
IEEE TDSC是一本双月刊，是由IEEE Computer Society出版的权威期刊之一。该期刊致力于研究计算机系统和网络的可靠性、安全性、以及相关领域的前沿技术，目标是促进对可信赖和安全计算的研究，以应对现代计算环境中日益增长的威胁和挑战。
Deepfake检测与挑战
随着深度生成模型的进步，深度伪造技术Deepfake被提出并快速发展。Deepfake通常涉及将某人的脸部替换到其他人的图片或影片中，以产生虚假的场景或言论，可能被滥用于制造虚假信息、诈骗、人格诽谤等活动，会对个人、社会和政治造成严重的负面影响。因此，近年来研究者致力于开发检测方法和对抗技术。然而，检测Deepfake变得越来越困难，因为（1）在先进的伪造操作中没有留下明显的痕迹；（2）不同操作中的伪造痕迹非常不同，很难将模型在特定数据集上训练的结果推广到其他未见过的Deepfake方法；（3）伪造痕迹可以很容易地被图像失真（例如压缩）所破坏。令人担忧的是，现有的Deepfake检测方法在泛化或鲁棒性方面存在局限性。
基于身份信息差异量化的可解释鲁棒检测方法
我们观察到，虚假图像的身份不可避免地与真实身份存在差异。在Deepfake换脸过程中，目标图像的身份被源图像的身份替换，而目标脸部的属性，包括头部姿势、表情、光线、遮挡、发型和其他背景内容被保留。由于身份特征与属性特征难以完全解耦，源的身份特征与目标的属性特征之间存在固有冲突，伪造图像通常会出现身份丢失的情况。因此，我们提出方法Diff-ID，将待测图像的属性特征对齐到参考图像（与测试图像有相同身份的真实图像）相同的属性空间上，以削弱属性特征对身份特征的干扰，再进行待测图像与参考图像身份特征差异的量化，以检测伪造图像。
在属性特征对齐阶段，Diff-ID分别提取参考图像和测试图像的身份特征，属性特征，两两组合输入到换脸生成器中生成进行了属性特征对齐的重建图像。该重建图像显示了在参考图像/测试图像的属性空间上表达参考图像/测试图像身份特征的结果。
通过构建重建结果中的数学关系，我们构造了一个身份特征差异的量化指标，并以此作为区分真实图像和伪造图像的分类依据。Diff-ID无需在Deepfake相关的伪造数据上进行训练，在多个换脸数据集上（FaceForensics++、Google DeepFake Detection、CelebDF、DeeperForensics-1.0）均取得了超过90%的AUC，相比之前的工作大幅提高了检测准确率。同时，Diff-ID利用身份特征这种高级语意信息作为伪造检测的线索，对图像压缩也表现出极高的鲁棒性。
作者介绍
论文第一作者虞楚尔为浙江大学计算机系统结构实验室（ZJU ARClab）在读博士生，主要研究方向为人工智能安全、数字图像取证等。