Swin+EfficientNet混合架构检测GAN假脸，140K数据集上精度飙升！
Swin Meets EfficientNet: Lightweight Architectures for GAN-Based Face Forensics
📖 AI 总结
该研究聚焦于GAN生成人脸图像的检测问题，提出轻量级架构以应对深度伪造带来的安全挑战。作者比较了三种基于Swin Transformer的实现：从头训练的紧凑模型、基于ImageNet预训练的Swin-Tiny/Small模型，以及结合EfficientNet-B0卷积特征与Swin Transformer的新型混合架构。在包含14万张真实与伪造人脸的基准数据集上，混合模型表现最佳，测试准确率达99%，召回率99.44%，优于纯Swin变体和既有CNN基线。结果表明，将层级化CNN特征与移位窗口自注意力结合，能以较低计算成本高效识别GAN合成人脸，为资源受限场景下的伪造检测提供了可行方案。
🔑 关键词速览
| GAN | 生成对抗网络，一种通过生成器和判别器对抗训练来生成逼真图像的深度学习模型。 |
| Swin Transformer | 一种基于移位窗口的视觉变换器架构，能高效处理图像并捕捉长距离依赖。 |
| EfficientNet-B0 | 一种高效的卷积神经网络架构，通过复合缩放优化了性能和计算效率。 |
| StyleGAN | 一种基于GAN的生成模型，能够生成高质量、高分辨率的人脸图像。 |
| 深度伪造 | 利用深度学习技术生成的伪造媒体内容，如换脸视频或合成人脸图像。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅