DiffusionFace: Towards a Comprehensive Dataset for Diffusion-Based Face Forgery Analysis

深度学习的快速发展催生了超逼真的面部伪造方法，引发了有关错误信息和安全风险的担忧。现有的人脸伪造数据集在生成高质量的面部图像和应对不断发展的生成技术方面存在局限性。为了解决这个问题，我们提出了DiffusionFace，这是第一个基于扩散的人脸伪造数据集，涵盖了各种伪造类别，包括无条件和文本指导的面部图像生成、Img2Img、修复和基于扩散的面部交换算法。我们的DiffusionFace数据集以其广泛收集的11个扩散模型和生成图像的高质量脱颖而出，为评估提供了必要的元数据和来自真实互联网的伪造面部图像数据集。此外，我们对数据进行了深入分析，并引入了实用的评估协议，以严格评估区分模型检测伪造面部图像的有效性，旨在增强面部图像认证过程的安全性。该数据集可在\url{https://github.com/Rapisurazurite/DiffFace}下载。

DiffusionFace数据集的出现旨在解决当前面部伪造数据集的限制性问题，为面部图像识别领域提供高质量、多样化的数据集。

DiffusionFace数据集采用扩散模型生成面部伪造图像，包括多种伪造类别，如无条件和文本指导的面部图像生成、Img2Img、修复和基于扩散的面部交换算法，同时提供元数据和真实网络来源的面部伪造图像数据集。

DiffusionFace数据集包含11个扩散模型生成的高质量图像，提供实用的评估协议以评估判别模型检测伪造面部图像的效果，旨在提高面部图像身份验证过程的安全性。数据集可供下载，同时还提供了深入的数据分析和开源代码。

在面部伪造领域，一些相关的研究包括DeepFake、FaceForensics++等。