Der ForgeryNet-Datensatz ist ein großer und umfassender Benchmark, der speziell für die Deepfake-Analyse entwickelt wurde. Es enthält 2,9 Millionen Bilder und 221.247 Videos und deckt 7 Fälschungsmethoden auf Bild- und 8 auf Videoebene aus der ganzen Welt ab. Dieser Datensatz bietet Forschern umfangreiche Ressourcen zur Unterstützung von vier Aufgaben auf Bild- und Videoebene: Klassifizierung von Bildfälschungen, räumliche Lokalisierung von Fälschungen, Klassifizierung von Videofälschungen und zeitliche Lokalisierung von Fälschungen. Diese Aufgaben reichen von der binären bis zur Multiklassifizierungs-Bildfälschungserkennung sowie der räumlichen und zeitlichen Lokalisierung gefälschter Bereiche.

Aufgrund seiner Größe und Vielfalt ist der ForgeryNet-Datensatz der größte derzeit öffentlich verfügbare Datensatz zur Deep Face-Fälschung. Die Funktionen sind wie folgt:

1. Datenumfang: 2,9 Millionen Bilder, 221.247 Videos
2. Manipulationen: 7 Methoden auf Bildebene, 8 Methoden auf Videoebene
3. Störungen: 36 einzelne Störungen und mehr gemischte Störungen
4. Anmerkungen: 6,3 Millionen Klassifizierungsbezeichnungen, 2,9 Millionen Aktionsbereichsanmerkungen und 221.247 Bezeichnungen für zeitliche Fälschungssegmente

Kann für die folgenden vier Aufgaben verwendet werden:

• Ortung von Zeitfälschungen: Finden Sie heraus, in welchen Zeiträumen welche Videos gefälscht wurden.

• Klassifizierung von Bildfälschungen, einschließlich Zwei-Wege-Klassifizierung (echt/gefälscht), Drei-Wege-Klassifizierung (echt/gefälscht vs. identitätsersetzende Fälschungsmethode/gefälscht vs. identitätserhaltende Fälschungsmethode) und N-Wege-Klassifizierung (echt vs. 15 Fälschungsmethoden).

• Räumliche Fälschungslokalisierung. Die manipulierten Bereiche gefälschter Bilder werden segmentiert und mit den entsprechenden realen Bildern verglichen.

• Klassifizierung von Videofälschungen: Definiert die Klassifizierung von Fälschungen auf Videoebene neu und verarbeitet Frames an zufälligen Positionen.

Der Datensatz wurde 2021 gemeinsam von Forschern von SenseTime Research, der Beijing University of Posts and Telecommunications, dem Shanghai Artificial Intelligence Laboratory, der School of Software, der Beihang University, der University of Science and Technology of China und dem S-Lab der Nanyang Technological University veröffentlicht.ForgeryNet: Ein vielseitiger Benchmark für umfassende Fälschungsanalyse".