数据集汇总｜DeepFake 乱象丛生，用魔法打败魔法！高质量数据集助力伪造监测技术发展
💡
原文中文，约3500字，阅读约需9分钟。
📝
内容提要
人脸识别技术在安防、支付、零售等领域得到广泛应用，但滥用和深度伪造技术引发了隐私保护和社会秩序的担忧。研究人员开发了多个人脸识别和伪造检测数据集，提供有效的研究工具。
🎯
关键要点
- 人脸识别技术在安防、支付、零售等领域广泛应用，提升生活便利性和安全性。
- 人脸识别技术的滥用引发隐私保护问题，企业非法收集人脸信息侵犯消费者隐私权。
- 深度伪造技术（DeepFake）扰乱社会秩序，犯罪分子利用该技术进行非法牟利。
- 亟需升级人脸识别和伪造检测技术，以准确判断被篡改的DeepFake视频和图像。
- 本文梳理了多个人脸识别和DeepFake数据集，帮助研究人员开展相关研究。
- Deepfake Detection 数据集专为深度伪造检测任务设计，包含全面的视频序列。
- LAV-DF 数据集包含多模态音频视觉数据，支持视频和音频篡改检测。
- OpenForensics 数据集支持多人脸伪造检测和分割任务，具有广泛的研究潜力。
- ForgeryNet 数据集包含290万张图像和221,247个视频，支持多种伪造分析任务。
- FFIW10K 数据集包含1万个高质量伪造视频，接近现实复杂场景。
- Glint360K 数据集是最大的人脸识别数据集，包含约1,700万张人脸图像。
- FaceForensics 数据集用于检测和识别虚假的人脸图像和视频。
- UTKFace 数据集包含2万多张面部图像，适用于多种人脸识别任务。
- CelebA 数据集包含超过200K名人的图像，具有丰富的属性注释。
- VGG-Face2 数据集包含9,131个人的面部数据，涵盖多样性特征。
- HyperAI超神经致力于成为国内数据科学领域的基础设施，提供丰富的公共资源。
➡️
