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:https://github.com/leiakito/RECCEGUI/blob/main/recce_gui.py
Select Language