ECCV2022 | 腾讯优图29篇学术著作入选，含人脸安全、图像分割、目标检测等多个研究方向

基于作用做式亦然适于的面孔细胞培养探测步骤Generative Domain Adaptation for Face Anti-Spoofing

基于亦然适于 (DA) 的面孔细胞培养探测 (FAS) 步骤因其在前提故事情节里面的迁离耐用病态良好而受到愈来愈多的关注。大多为数原先的亦然适于面孔细胞培养探测步骤通过相反语句级别的很低层特病态属将由此可知亦然假设拟合到前提为数据库。然而，因为前提亦然上首页缺陷导致的全都权负责欠缺以及对于低层特病态相反的回避管制了原先步骤在面孔细胞培养探测上的耐用病态。为了解决问题这个弊口，本文从一个新角度来解决问题亦然适于面孔细胞培养探测弊口，即让前提为数据库拟合到由此可知亦然假设，通过三维匹配将前提为数据库建筑风格转化为由此可知亦然建筑风格，并有利于将建筑风格转化的为数据库输入由此可知亦然的细胞培养探测假设来进行判断。说明而言，本文明确指出了作用做式亦然适于（GDA）开放病态，并建构亦然间特病态属一致病态拘束和双直语句一致病态拘束来保证作用做三维建筑风格和内容可与前提的一致病态；此外，我们还明确指出亦然内频谱混和模组来有利于扩张前提亦然为数据库属并有利于提高泛转化病态。多个细胞培养探测为数据库集上的试验中和可视转化结果声称，比起当前的领先步骤，我们步骤带有愈来愈好的迁离病态。

基于多层次对比求学的录像编辑探测线病态Hierarchical Contrastive Inconsistency Learning for Deepfake Video Detection

近年，随着 Deepfake 新技术的快速发展，作用做夸张假冒面孔的战斗能力随之而来了公众的担忧。与真实面孔录像对比，假冒录像里面面孔面部运动的一个系统不一致病态是比对 Deepfake 的有效线索，然而原先的步骤多半只施加二分类全都权负责来机器求学这种不一致病态。在本文里面，我们明确指出了一种新型多层次对比不一致病态求学开放病态（HCIL）。说明而言, HCIL 首先对录像来进行多相片采样, 并同时在渐进相片和全都局录像层次上构建对比举例来说求学，从而需要捕获真假录像之间愈来愈本质的一个系统不一致差异。此外我们还替换成了用做相片内不一致病态挖掘的区亦然渐进模组和用做衔接相片个人信息相建构的相片间相建构模组，来有利于促进特病态求学。大量试验中声称, HCIL 假设的耐用病态在多个 Deepfake 录像为数据库集上远胜当前的步骤。同时, 衔接为数据库集泛转化病态试验中和可视转化也归功于该步骤的确实。

基于个人信息安全感驱动的三维编辑探测线病态 An Information Theoretic Approach forAttention-Driven Face Forgery Detection

在面孔假冒探测特殊任务里面，先前基于CNN的根本原因步骤容易比如说结构上的篡改坑洞。本文指出这些结构上伪影多半蕴含很低个人基数，进而将自个人信息作为一种度量替换成到假冒脸探测特殊任务里面，并建构安全感机制来提升因特网对很低个人基数假冒区亦然的特病态提取。同时本文还明确指出了一种衔接层间的自个人信息聚合机制来加直卷积神经因特网下采样操作对结构上假冒区亦然的擦除弊口，有利于提高假冒区亦然特病态的延续和提取。说明而言，我们首先对输入特病态布计算自个人信息，用做发掘所有潜在的很低频假冒个人信息。随后建构自个人信息与双流安全感机制，分别在通道维度和空间维度计算安全感值来有利于提升潜在的很低个人基数区亦然，让因特网挖掘出愈来愈多易被比如说的假冒个人信息。再次，当前层的自个人信息特病态布将会衔接层连接到下一个层安全感模组，愈来愈好地延续浅层结构上假冒个人信息。本文设计者的即插即用的安全感模组，可以运用到多种面孔假冒探测开放病态里面。多个假冒面孔探测为数据库集上的试验中声称我们的步骤在增加少量参为数的但会，可以有利于有利于提高因特网的探测耐用病态和泛转化病态。

基于原型对比的语句直叠迁离求学线病态 Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation

无全都权负责迁离求学旨在将由此可知亦然基础训练好的假设直接迁离在无首页的前提亦然，在具体故事情节如工业质检故事情节下有着极为直要病态作用，因为新故事情节下缺陷显现出来的概率多半很低，难以收集缺陷为数据库。以往的步骤多半只利用特病态的类间属来进行特病态相反，比如说了类间的关系机器求学，这就造成前提亦然下相反的特病态判别战斗能力欠缺。因此，本文明确指出通过原型对比的方式同时机器求学类内以及类间属，我们的步骤Prototypical Contrast Adaptation, 又称ProCA。说明地，ProCA通过对每一类维持一个原型表达，在特病态相反时，慎直考虑同类的原型作为正抽样，各有不同类的原型作为负抽样从而意味着类里面心的属相反。相比目前已为的工作，ProCA在GTA5-Cityscapes以及SYNTHINA-Cityscapes上取得了愈来愈先进的结果。