OSN-transmission_mini_CelebA

This is the paper “DF-RAP: A Robust Adversarial Perturbation for Defending against Deepfakes in Real-world Social Network Scenarios" OSN-transmission CelebA sampling dataset collected by manual upload and download. This dataset includes 30,000 facial images of size
transmitted through online social networks (OSN) and their corresponding original images. Among them, Facebook, Twitter, WeChat and Weibo were selected as the transmission OSN, with 7500 images each.

本论文《DF-RAP：面向真实社交网络场景下深度伪造抵御的鲁棒对抗扰动》所配套的数据集为通过手动上传与下载方式采集的在线社交网络（Online Social Network，OSN）传输版CelebA采样数据集（CelebA sampling dataset）。该数据集包含30000张经在线社交网络传输的面部图像及其对应原始图像（原文未提及图像具体尺寸）。本次研究选取Facebook、Twitter、微信（WeChat）及微博（Weibo）作为传输所用的在线社交平台，每个平台对应7500张图像。

原始信息汇总

数据集概述

数据集名称

• OSN-transmission_mini_CelebA

数据集描述

• 该数据集包含30,000张面部图像，尺寸为$256 imes256$，通过在线社交网络（OSN）传输，并包含其对应的原始图像。这些图像分别通过Facebook、Twitter、WeChat和Weibo传输，每种平台包含7500张图像。

数据集链接

• Google Drive

数据集特点

• 研究了四种OSN的压缩和调整大小机制，发现不同平台采用不同的压缩策略和调整大小方法。
• 为了模拟真实世界中的照片共享场景，数据集在上传阶段采用了随机拼接图像的方法，以获取不同大小的示例进行上传。
• 下载的图像在保存时采用.png格式，以保留压缩信息并防止二次压缩的破坏。

数据集使用

• 提供了一个Python脚本data_loader.py，用于读取OSN传输的图像及其对应的原始图像。

数据集协议

• 该数据集遵循CC BY-NC 4.0许可。

参考文献

• Qu, Zuomin, et al. "DF-RAP: A Robust Adversarial Perturbation for Defending against Deepfakes in Real-world Social Network Scenarios." IEEE Transactions on Information Forensics and Security, 2024, IEEE.

搜集汇总

数据集介绍

构建方式

OSN-transmission_mini_CelebA数据集的构建过程基于在线社交网络（OSN）中的图像传输机制。研究者通过手动上传和下载的方式，从CelebA数据集中选取了30,000张256×256尺寸的人脸图像，并通过Facebook、Twitter、微信和微博四种社交平台进行传输。为了模拟真实场景中的图像共享，研究者采用了随机拼接图像的方法，生成不同尺寸的图像进行上传，并在下载后裁剪为原始尺寸。最终，所有图像以无损的PNG格式保存，以确保压缩信息的完整性。

特点

该数据集的特点在于其专注于在线社交网络中的图像传输机制，尤其是压缩和缩放操作对图像质量的影响。数据集包含了通过四种不同社交平台传输的图像及其对应的原始图像，涵盖了Facebook、Twitter、微信和微博的压缩策略。通过对这些平台压缩机制的深入研究，数据集揭示了不同平台在图像处理上的差异，尤其是JPEG压缩质量因子和图像尺寸调整策略的多样性。此外，数据集还特别关注了iOS设备与PC端在微博图像传输中的不同处理方式，进一步丰富了数据的多样性。

使用方法

OSN-transmission_mini_CelebA数据集的使用方法较为简便。研究者提供了一个Python脚本`data_loader.py`，用于读取传输后的图像及其对应的原始图像。用户可以通过该脚本将数据集中的图像以成对的方式加载，并进一步用于深度学习模型的训练或评估。脚本支持批量处理，用户可以根据需要调整加载的图像数量和顺序。此外，数据集的图像以PNG格式保存，确保了压缩信息的完整性，适合用于研究图像压缩对深度学习模型性能的影响。

背景与挑战

背景概述

OSN-transmission_mini_CelebA数据集由Qu等人于2024年创建，旨在研究在线社交网络（OSN）中图像传输过程中的压缩与重采样机制对深度伪造（Deepfake）防御的影响。该数据集基于CelebA数据集，包含30,000张经过Facebook、Twitter、微信和微博传输的256×256分辨率人脸图像及其原始图像。研究团队通过手动上传和下载图像，深入分析了不同社交平台的压缩与重采样策略，揭示了OSN图像传输机制的复杂性与多样性。该数据集为深度伪造防御技术提供了重要的实验基础，尤其在真实社交网络场景下的鲁棒性对抗扰动研究中具有显著影响力。

当前挑战

OSN-transmission_mini_CelebA数据集在构建与应用中面临多重挑战。首先，不同社交平台的压缩与重采样机制差异显著，且其策略可能随技术发展频繁调整，导致数据集的时效性与通用性受限。其次，为模拟真实场景，研究团队通过随机拼接图像生成不同尺寸的样本进行上传，这一过程虽有效但增加了数据处理的复杂性。此外，为保留压缩信息，数据集采用无损的PNG格式存储，这虽避免了二次压缩的破坏，但也显著增加了存储与计算资源的消耗。最后，深度伪造防御技术的鲁棒性验证需在多平台、多场景下进行，这对数据集的多样性与代表性提出了更高要求。

常用场景

经典使用场景

OSN-transmission_mini_CelebA数据集在深度伪造防御领域具有重要应用，特别是在研究在线社交网络（OSN）中图像传输过程中的压缩和重采样机制。该数据集通过模拟Facebook、Twitter、WeChat和Weibo等平台的图像传输过程，提供了30,000对原始图像与传输后图像的对比数据，为研究者在真实社交网络环境下评估深度伪造检测算法的鲁棒性提供了重要支持。

衍生相关工作

基于OSN-transmission_mini_CelebA数据集，研究者们开展了多项经典工作。例如，Qu等人提出的DF-RAP算法，利用该数据集开发了一种鲁棒的对抗扰动方法，用于在真实社交网络场景中防御深度伪造。此外，该数据集还启发了其他研究，如针对不同OSN平台的压缩机制进行量化分析，以及开发新型的图像传输优化算法，这些工作进一步推动了深度伪造检测领域的发展。

数据集最近研究

最新研究方向

在深度伪造技术日益猖獗的背景下，OSN-transmission_mini_CelebA数据集为研究社交网络中的图像传输机制及其对深度伪造防御的影响提供了重要支持。该数据集通过模拟真实社交网络环境中的图像上传和下载过程，揭示了不同平台（如Facebook、Twitter、WeChat和Weibo）在图像压缩和调整大小策略上的差异。这些发现不仅为开发鲁棒的对抗性扰动技术（如DF-RAP）提供了数据基础，还推动了在真实社交网络场景中防御深度伪造的前沿研究。通过深入分析这些平台的压缩机制，研究者能够更好地理解图像在传输过程中的信息损失，从而设计出更有效的防御策略，确保图像在社交网络中的安全性和完整性。