深度造假检测与图像处理研究进展

数字内容被广泛认为是对现实的真实和准确的描述，经常被用作法庭上的证据。然而，易于使用的后期制作内容修改工具的可用性引起了对此类内容的完整性和真实性的怀疑。深度学习和神经网络架构的最新进展，特别是生成对抗网络(GANs)和扩散模型，能够在没有任何人为干预的情况下生成超逼真的虚假数字内容(Deepfakes)，这进一步降低了对数字媒体的信任。有各种易于使用的工具可以生成深度伪造的创意内容，但不幸的是，这种强大的技术也被用于恶意目的:传播假新闻和恶意骗局，玷污知名人士/名人的形象，特别是在色情行业。

我们欢迎Deepfake创作和检测领域各个方面的手稿，包括图像处理、对抗性取证、图像、视频和数字音频的生成模型。识别和定位感兴趣区域的技术，区分生产编辑效果与Deepfakes，识别创建Deepfakes的特定模型，以及合成数据的法医弹道学也是在此背景下值得探索的有趣主题。

感兴趣的话题包括但不限于:

•来自Deepfakes的源图像重建
生成式模型识别
•合成数据的法医弹道分析
•对Deepfake内容进行对抗性取证
•Deepfake创建的生成模型
•图像/视频伪造的创建和检测
•面部操作和合成技术
•图像/视频/音频深度造假检测
•识别和定位被操纵的感兴趣区域(ROI)
•检测由于伪造或操纵造成的图像结构/纹理变化
•Deepfake生成的后期处理效果检测
•用于Deepfake创建和检测的视觉变压器
•用于Deepfake检测的多尺度和多模态变压器
•用于认证和伪造检测的可视化加密和水印技术
•用于Deepfake检测的注意力和胶囊网络
•用于Deepfake检测和创建的图像和视频数据集
•对面部识别系统的变形和深度伪造攻击

关键字:深度造假检测，图像伪造，GAN，取证弹道学，对抗性取证，视觉变形金刚

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。