DGM4人造DeepFake数据 —— Multi-Modal Media Manipulation Dataset
再造数据集的意义
此前的其他相关数据集
- 要么是单模态的Fake
- 图片篡改：
- 文本篡改
- 要么是多模态小规模数据
- human-generated:
- out of context pairs：
并且都是二分类问题（单纯分类为“是否”为fake数据）
DGM4数据集
- 规模大
- 文本-图像双模态
- 标签细（不再是单纯的二分类标签）
DGM4 生成方法
| 4种类型 | Swap | Attribute |
|---|---|---|
| Image(Face) | FS（换全脸） | FA（换面部表情） |
| Text | TS | TA |
FS(Face Swap)：
对数据源\(O\)中的图片集\(O_{img}\)的每张图片（\(\forall I_o \in O_{img}\)）
- 从
CelebA-HQ数据集中选择一张脸作为假脸：\(I_{celeb}^f\) - 随机选择换脸模型：
SimSwap&InfoSwap二选一 - 换掉图片\(I_o\)中最大的脸 \(I_o^f\)
- 猜测：这里应该是
- 识别图片中所有脸（但人脸识别用的什么模型？）
- 选择最大的脸\(I_o^f\)
- 猜测：这里应该是
- 最终得到
- 换脸样本：\(I_s\)
- 换脸的框框（
MTCNNBBox, Multi-task Cascaded Convolutional Networks Bounding Box）：\(y_{box} = \{x_1, y_1, x_2, y_2\}\) (左上角和右下角坐标)
FA(Face Attribute)
对数据源\(O\)中的图片集\(O_{img}\)的每张图片（\(\forall I_o \in O_{img}\)）
- 选择最大的脸：\(I_o^f\)
- 预测它的面部表情：使用
CNN-based Network- 疑问：分类模型具体啥样？“反面”表情如何定义的？
- 生成反面表情 \(I_{emo}^f\)：使用
HFGI和StyleClip（GAN-based method） - 将\(I_{emo}^f\)重新渲染到\(I_o\)上
- 最终得到
- 换表情样本: \(I_a\)
- 假脸框框：\(y_{box}\)
TS(Text Swap)
给定一条文本\(T_o\)
- 使用
NER模型，获取文本中的一个名字，query: 'PER' - 从数据源\(O\)中拿到另一条文本\(T_o^{\prime}\)
- 计算\(T_o\)和\(T_o^{\prime}\)通过
Sentence-BERT生成的embedding(向量) - 计算两个embedding向量的余弦相似度，只有当相似度很低时，\(T_o^{\prime}\)是可以用来作为假文本\(T_s \leftarrow T_o^{\prime}\)，其中\(T_s\)含有\(M\)个单词
- 否则返回步骤2重新寻找\(T_o^{\prime}\)
- 最终得到
- 假文本： \(T_s\)
- \(y_{tok} = \{y_i | y_i=0/1, i=1...M\}\)，其中\(y_i=1\)表示\(T_s\)的第i个单词是假的
TA(Text Attribute)
- 使用
RoBERTa将所有文本按情感分为正负中三个子集\(\{O_+, O_-, O_{neu}\}\)
给定一条文本\(T_o\)
- 获取\(T_o\)所有情感词
- 为每个情感词，用
B-GST模型生成反向情感文本（不是词？）作为替换 - 最终得到
- 假文本：\(T_a\)
- \(y_{tok}\)
结合
- 得到4种造假方法各自生成的东西: \(I_s, I_a, T_s, T_a\)以及原始文本对\(I_o, T_o\)
- 生成样本集\(P = \{p_m | p_m = (I_x, T_y), x,y \in \{o, s, a\}\}, o\)表示original
- 同时，每个\(p_m\)都有以下标签
- \(y_{bin}\)二分类标签（猜测：表示是否被替换）
- \(y_{mul} = \{y_j| y_j = 0/1, j=1...4\}\)：一个4维向量，就是{FS, FA, TS, TA}的one-hot编码
- \(y_{box}\)
- \(y_{tok}\)
- 最后从\(P\)中选取一半的样本做image perturbations（图像扰动），扰动方式
- JPEG压缩
- 高斯滤波（gausian blur）