Надежные системы моделей для детекции deepfake критически важны для нейтрализации быстро эволюционирующих методов генерации дипфейков. Для оценки данных моделей необходимо иметь надежную систему оценки, позволяющую в автоматическом режиме оценить устойчивость модели к старым и новым методам атаки. Создание стандартизированных тестовых сред и бенчмарков ускоряет разработку и внедрение эффективных инструментов борьбы с дипфейками для платформ, СМИ и правоохранительных органов.

Разработать автоматизированную платформу для оценки устойчивости моделей детекции Deepfake на видео данных. 1. Провести исследование современных методов генерации Deepfake 2. Собрать скрипты для генерации тестовой базы по заданным параметрам 3. Собрать релевантные тестовые наборы для проведения оценки 4. Собрать систему для автоматического расчета метрик устойчивости модели

1) Регулярные встречи для обсуждения ключевых задач 2) Презентация промежуточных результатов

1) Репозиторий с исходным кодом, документацией и собранными верифицированными размеченными датасетами 2) Презентация и защита проекта 3) Публикация результатов в научной статье или доклад на конференции

1) Суперкомпьютер МИЭМ для обучения моделей 2) Бесплатные ресурсы Google Colab

Ранее в ноябре 2024 г была опубликована база (BioDeepAV) с более 1600 подробных поддельных видеороликов: диффузионные модели, NeRF и Gaussian Splatting. Эта база использовала три источника изображений лиц: 300 искусственных лиц, сгенерированных RealVisXLv5, LAION-Face и изображения лиц из набора данных HDTF. Реальные данные для генерации были взяты из наборов данных HDTF и TalkingHead-1KH. https://m.selectdataset.com Предлагается расширить данный датасет и автоматизировать процесс наполнения...Подробнее