نویسندگان: Zanardelli, M., Guerrini, F., Leonardi, R.,
& Adami, N. (2021)
منبع: Springer Journal of Imaging
این مقاله یک مرور جامع از روش‌های کلاسیک و مدرن تشخیص جعل تصاویر ارائه می‌دهد و مدل‌های سنتی یادگیری ماشین (Machine Learning) را با مدل‌های یادگیری عمیق (Deep Learning) مقایسه می‌کند. مقاله تلاش دارد به این سؤال پاسخ دهد که روش‌های کلاسیک تا چه حد در برابر جعل‌های پیچیده مانند DeepFake کارآمد هستند و آیا یادگیری عمیق جایگزین کاملی برای روش‌های سنتی است یا نه.
ادامه پست معرفی مقاله :Face Forgery Detection via Multi-Feature Fusion and Local Enhancement
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.
نویسندگان : Zhang, D., Chen, J., Liao, X., Li, F., Chen, J., &
Yang, G. (2020)
منبع : IEEE Transactions on Information Forensics and
Security
هدف این مقاله ارائه یک الگوریتم ترکیبی برای تشخیص جعل چهره (Face Forgery Detection) است که ویژگی‌های چندگانه تصویری را ترکیب کرده و از بهبود محلی برای افزایش دقت تشخیص استفاده می‌کند. نویسندگان تلاش کرده‌اند که با ادغام تحلیل بافت، ویژگی‌های آماری و مدل‌های یادگیری ماشین، یک روش مؤثرتر برای مقابله با جعل چهره توسعه دهند.
روش‌های تشخیص جعل تصاویر را می‌توان به دو دسته‌ی کلی تقسیم
کرد:
1_روش‌های مبتنی بر یادگیری ماشین
(Machine Learning-Based Methods)
2_ روش‌های
مبتنی بر یادگیری عمیق (Deep Learning-Based
Methods)