Resumen

El reciente progreso en el aprendizaje profundo, en particular en los modelos generativos, facilita la síntesis de rostros falsificados sofisticados en videos, lo que conlleva graves amenazas en las redes sociales en cuanto a la privacidad personal y la reputación. Por lo tanto, es altamente necesario desarrollar enfoques forenses para distinguir esos videos falsificados de los auténticos. Los trabajos existentes se centran en explorar señales a nivel de cuadro pero son insuficientes en aprovechar la abundante información temporal. Aunque algunos enfoques identifican las falsificaciones desde la perspectiva de la inconsistencia de movimiento, hasta ahora no existe una estrategia prometedora de fusión de características espacio-temporales. Con este fin, proponemos el módulo de Agregación Espacio-Temporal por Canales (CWSA) para fusionar características profundas de cuadros de video continuos sin unidades recurrentes. Nuestro enfoque comienza recortando la región facial con algo de fondo restante, lo que transforma el objetivo de aprendizaje de manipulaciones

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Progreso; Aprendizaje profundo; Modelos generativos; Rostros falsificados; Vídeos; Privacidad
• Keywords:Progress; Deep learning; Generative models; Forged faces; Videos; Privacy