Ergebnisse
Real or fake? Decoding realness levels of stylized face images with EEG
![© MPI CBS](/8244/original-1693391490.jpg?t=eyJ3aWR0aCI6MjQ2LCJvYmpfaWQiOjgyNDR9--d4916b5b4a5de92b14b787ce7ef884c9687fdec5)
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
![Links: Vorwärtsdurchlauf unseres Modells. Der Verlust wird für jede Identität (A und B) getrennt berechnet und schließlich summiert.
Rechts: Detaillierte Architektur des vorgeschlagenen Decoders.](/7614/original-1684488292.jpg?t=eyJ3aWR0aCI6MjQ2LCJvYmpfaWQiOjc2MTR9--556bf9f68f2dd8aaaced014da2d89de735616fc1)
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
![Schema des Versuchsaufbaus und Auswertungsansatzes.](/6722/original-1684487724.jpg?t=eyJ3aWR0aCI6MjQ2LCJvYmpfaWQiOjY3MjJ9--30f6e7af287a716f6ae79d1f5e63fcc81df9958a)
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