Moritz Wolter, Felix Blanke, Jochen Garcke, University of Bonn.
Charles Tapley Hoyt, Harvard Medical School.
מחקר מיוני 2021 שנערך בשיתוף פעולה בין חוקרים מאוניברסיטת בון שבגרמניה ביחד עם חוקר מאוניברסיטת הארווארד על מנת לנסות לפתח שיטה לזיהוי חומרי DEEPFAKE שלא מתבססת על רשתות נוירונים (כמו רוב השיטות בהן עוסק מחקר זיהוי ה-DEEPFAKE כיום) אלא על 'Wavelet-Packet'. 'Wavelet-Packet' היא שיטה שמזהה תבניות באותות ומפרקת אותן לרמות שונות של תדירויות ובכך מאפשרת לבודד אנומליות באותות שמרכיבים חומרי DEEPFAKE, ולהפריד את החומר המקורי שבסרטון מהמניפולציות שעבר.
Abstract:
As neural networks become more able to generate realistic artificial images, they have the potential to improve movies, music, video games and make the internet an even more creative and inspiring place. Yet, at the same time, the latest technology potentially enables new digital ways to lie. In response, the need for a diverse and reliable toolbox arises to identify artificial images and other content. Previous work primarily relies on pixel-space convolutional neural networks or the Fourier transform. To the best of our knowledge, wavelet-based generative adversarial neural network (GAN) analysis and detection methods have been absent thus far. This paper aims to fill this gap and describes a wavelet-based approach to GANgenerated image analysis and detection. We evaluate our method on FFHQ, CelebA, and LSUN source identification problems and find improved or competitive performance.
