https://github.com/VISION-SJTU/RECCE/tree/main

源码地址 📄 用于人脸伪造检测的端到端重建分类学习

介绍

此代码库是 CVPR 2022 中提出的用于人脸伪造检测的端到端重构-分类学习的实现。在论文中，我们提出了一种名为RECCE 的新型重构-分类学习框架，用于检测人脸伪造。代码基于 Pytorch。请按照以下说明开始使用。

动机

简而言之，我们仅对真实图像训练一个重建网络，并使用编码器的潜在特征输出进行二分类。由于真实人脸与伪造人脸之间的数据分布存在差异，伪造人脸的重建差异明显，并能指示出可能被伪造的区域。

基本要求

请确保您已经安装了以下软件包。

Pytorch 1.7.1

Torchvision 0.8.2

albumentations1.0.3

Timm 0.3.4

TensorboardX 2.1

Scipy 1.5.2

PyYaml 5.3.1

在此之前需要进行训练,和数据集的准备

数据集准备

我们包含了几个常用人脸伪造数据集的加载器，例如 FaceForensics++、Celeb-DF、WildDeepfake和DFDC。您可以进入数据集网站下载原始数据。

对于 FaceForensics++、Celeb-DF 和 DFDC，由于原始数据是视频格式，因此需要先从序列中提取面部图像并存储。我们使用RetinaFace来完成这项工作。

配置文件

我们已经在 中提供了配置模板config/。您可以调整 yaml 文件中的参数来指定训练流程。更多信息请参阅config/README.md。

训练

要训练模型，请在控制台中运行以下脚本。

训练会根据你的配置进行,花费大概多久的时间.

我们使用torch.distributed包来训练模型，有关更多信息，请参阅PyTorch 分布式概述。

CUDA_VISIBLE_DEVICES=0 python -m torch.distributed.launch --nproc_per_node=1 --master_port 12345 train.py --config path/to/config.yaml

--config：指定配置文件的路径。

测试

要测试模型，请在控制台中运行以下脚本。

python test.py --config path/to/config.yaml

--config：指定配置文件的路径。

推理

我们提供脚本来inference.py帮助您使用自定义数据进行推理。

要进行推理，请在控制台中运行以下脚本。

python inference.py --bin path/to/model.bin --image_folder path/to/image_folder --device $DEVICE --image_size $IMAGE_SIZE

--bin：指定本项目的训练脚本生成的模型bin的路径。

--image_folder：指定自定义人脸图片存放目录，脚本接受以.jpg或结尾的图片.png。

--device：指定运行实验的设备，例如，cpu，cuda:0。

--image_size：指定输入图像的空间大小。

程序将输出每个输入图像的虚假概率，如下所示：

path: path/to/image1.jpg           | fake probability: 0.1296      | prediction: real
path: path/to/image2.jpg           | fake probability: 0.9146      | prediction: fake

python inference.py -h在控制台中输入有关可用参数的更多信息。

扩展

在此项目基础上扩展成GUI界面原代码如下:

github地址:

GUI界面展示:

真实的图片进行检测识别:

伪造的图片进行检测识别:

多张图片进行检测识别