Ergebnisse
Human-aligned deep and sparse encoding models of dynamic 3D face similarity perception
Um den Einfluss von Raum und Zeit auf die Bewertung der Ähnlichkeit von Gesichtern zu testen, führten wir ein großes Online-Experiment in einer statischen 2D- und einer dynamischen 3D-Bedingung durch. Wir trainierten Computermodelle, um die menschlichen Bewertungen von Ähnlichkeit zu kodieren und um latente Repräsentationen zu untersuchen, die ihren Vorhersagen zugrunde liegen. Wir entdeckten eine konsistente Verarbeitung der Gesichtsähnlichkeit zwischen 2D und 3D. Unsere Kodierungsmodelle zeigten jedoch auch subtile Unterschiede auf. Unsere öffentlich zugänglichen Daten und Modelle bilden die Grundlage für das Verständnis unserer Fähigkeit, Gesichter in einer dynamisch verändernden realen Welt zu erkennen und zu identifizieren.
Wichtige Publikation
Hofmann, S. M., Ciston, A., Koushik, A., Klotzsche, F., Hebart, M. N., Müller, K.-R., Villringer, A., Scherf, N., Hilsmann, A., Nikulin, V. V., & Gaebler, M. (2024).
Human-aligned deep and sparse encoding models of dynamic 3D face similarity perception. PsyArXiv.
Quelle
Real or fake? Decoding realness levels of stylized face images with EEG
Wir haben einen EEG-Datensatz verwendet, bei dem den Teilnehmer*innen Bilder von menschlichen Gesichtern mit unterschiedlichen Stilisierungsgraden präsentiert wurden. Wir fanden eine nicht-lineare Beziehung zwischen den Amplituden der neuronalen Reaktionen und dem Stilisierungsgrad. Darüber hinaus gelang es uns, den Grad der Realitätsnähe aus den EEG-Daten der einzelnen Trials zu entschlüsseln. Diese Studie bietet eine Grundlage für zukünftige Forschung und neuronales Benchmarking für die Erkennung des Realitätsgrades von Gesichtern in Bezug auf drei Aspekte: SSVEP-basierte neuronale Marker, effiziente Klassifizierungsmethoden und Low-Level-Stimulus-Störfaktoren.
Wichtige Publikation
Chen, Y., Stephani, T., Bagdasarian, M. T., Hilsman, A., Eisert, P. , Villringer, A., Bosse, S., Gaebler, M., Nikulin, V. V. (2023).
Real or fake? Decoding realness levels of stylized face images with EEG. Research Square.
Quelle
Fooling State-of-the-Art Deepfake Detection with High-Quality Deepfakes
Diese Arbeit unterstreicht den Bedarf an robusten Deepfake-Detektoren angesichts zunehmender Sicherheits- und Datenschutzbedenken. Wir präsentieren einen neuartige Autoencoder und ein Face-Blending-Verfahren vor, um qualitativ hochwertige Deepfakes zu generieren. Diese verwenden wir, um zu demonstrieren, dass ein State-of-the-Art-Deepfake-Detektor nicht bezüglich aufwändiger Deepfake-in-the-Wild generalisiert ist. Die Ergebnisse zeigen, wie wichtig es ist, hochwertige Fälschungen in die Trainingsdatensätze von Deepfake-Detektoren aufzunehmen, um die Generalisierung und Erkennung von Manipulationen in realen Szenarien zu verbessern.
Wichtige Publikation
Beckmann, A., Hilsmann, A., Eisert, P. (2023).
Fooling State-of-the-Art Deepfake Detection with High-Quality Deepfakes. arXiv.
Quelle
Decoding subjective emotional arousal from EEG during an immersive virtual reality experience
Wir konnten subjektives emotionales Arousal während einer immersiven VR-Erfahrung mit virtuellen Achterbahnen aus der EEG-abgeleiteten parieto-okzipitalen Alpha-Power berechnen (Hofmann, Klotzsche, Mariola et al., 2021).
Wichtige Publikation
Hofmann, S. M., Klotzsche, F., Mariola, A., Nikulin, V., Villringer, A., & Gaebler, M. (2021).
Decoding subjective emotional arousal from EEG during an immersive virtual reality experience. eLife.
Quelle press release | eLife digest | twitter thread