Article_1:Face Forgery Detection via Multi-Feature Fusion and Local Enhancement_Part2

ادامه پست معرفی مقاله :Face Forgery Detection via Multi-Feature Fusion and Local Enhancement

 نتایج و یافته‌ها

 این روش ترکیبی دقت بالاتری نسبت به مدل‌های سنتی منفرد مانند SVM دارد. ویژگی‌های بافت و هندسه چهره نقش مهمی در افزایش نرخ تشخیص جعل ایفا می‌کنند. این روش در تشخیص جعل‌های مبتنی بر تغییرات جزئی عملکرد بهتری دارد اما در برابر دیپ‌فیک‌های پیچیده ضعف‌هایی نشان می‌دهد.

۱.۴. مزایا و محدودیت‌ها

مزایا:
 ترکیب چندین ویژگی باعث افزایش دقت شده است.
 پردازش سریع‌تر نسبت به روش‌های یادگیری عمیق.

محدودیت‌ها:
 در برابر دیپ‌فیک‌های بسیار پیشرفته تولیدشده با GAN، کارایی کمتری دارد.
 نیاز به تنظیم دقیق پارامترهای استخراج ویژگی برای دستیابی به عملکرد بهینه.

1.1. Research Objective

This paper proposes a hybrid algorithm for face forgery detection that integrates multiple image features with local enhancement techniques to improve detection accuracy. The authors aim to enhance detection by fusing texture, statistical features, and machine learning models.

1.2. Methodology

Feature Extraction: Utilization of Local Binary Patterns (LBP), Histogram of Oriented Gradients (HOG), and Scale-Invariant Feature Transform (SIFT) to capture structural differences between genuine and forged images.

 Machine Learning Models: Classification using Support Vector Machine (SVM), Random Forest, and K-Nearest Neighbors (K-NN).

 Local Enhancement: Focused analysis on critical facial regions (eyes, nose, mouth) where forgery artifacts are more prominent.