Ergebnisse

Fooling State-of-the-Art Deepfake Detection with High-Quality Deepfakes

Links: Vorwärtsdurchlauf unseres Modells. Der Verlust wird für jede Identität (A und B) getrennt berechnet und schließlich summiert.
Rechts: Detaillierte Architektur des vorgeschlagenen Decoders.

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.
Source

Decoding subjective emotional arousal from EEG during an immersive virtual reality experience

Schema des Versuchsaufbaus und Auswertungsansatzes.

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