Aprender la textura local y las pistas de frecuencia global para la detección de la falsificación de caras

Área de la Ciencia:

• Visión por computadora
• Aprendizaje profundo
• Ciencias Forenses de la Imagen

Sus antecedentes:

• El aprendizaje profundo ha avanzado en la creación y detección de falsificaciones faciales.
• Los métodos de detección de falsificación de caras existentes carecen de generalización en conjuntos de datos y técnicas.

Objetivo del estudio:

• Mejorar la robustez y la generalización de la detección de falsos rostros.
• Desarrollar un método que aproveche tanto la textura local como la información del dominio de frecuencia global.

Principales métodos:

• Un módulo de extracción y mejora de textura local que utiliza parches de imagen, enmascaramiento y mejora de textura.
• Extracción de características de dominio de frecuencia de múltiples escalas a través de la transformación de ondas.
• Una estrategia innovadora de procesamiento de dominios de frecuencia con selección y ponderación dinámica.
• Un marco integrado que combina características de textura y frecuencia con mecanismos de atención espacial y de canal.

Principales resultados:

• El método propuesto demuestra un rendimiento superior en los conjuntos de datos de referencia.
• La técnica muestra mejores capacidades de generalización en comparación con los métodos existentes.
• El enfoque combinado capta con eficacia los rastros sutiles de falsificación y las inconsistencias de frecuencia.

Conclusiones:

• El marco integrado aprovecha eficazmente las características locales y globales complementarias para una detección robusta de la falsificación de caras.
• El método ofrece una mejor generalización, abordando una limitación clave en las técnicas de detección actuales.