Fair Forgery Detection (FairFD) dataset

Fair Forgery Detection (FairFD)数据集由西安电子科技大学和重庆邮电大学创建，旨在评估面部伪造检测中的种族偏见。该数据集包含11430个主题，种族比例均衡，涵盖多种伪造生成图像，包括FaceSwap、SimSwap等多种方法。数据集的创建过程注重种族平衡和伪造方法的多样性，适用于评估面部伪造检测系统的公平性，旨在解决现有数据集在种族公平评估方面的不足。

Fair Forgery Detection (FairFD) dataset was developed by Xidian University and Chongqing University of Posts and Telecommunications, targeting the evaluation of racial bias in facial forgery detection. This dataset consists of 11,430 subjects with a well-balanced racial distribution, covering a wide range of forged images generated by diverse methods including FaceSwap, SimSwap and other similar techniques. The construction of FairFD prioritizes both racial balance and the diversity of forgery generation approaches, making it suitable for assessing the fairness of facial forgery detection systems, and it is intended to address the shortcomings of existing datasets in the context of racial fairness evaluation.

搜集汇总

数据集介绍

构建方式

Fair Forgery Detection (FairFD) 数据集的构建采用了Racial Faces in the Wild (RFW) 数据集中的原始无瑕疵人脸图像作为基础，并通过多种人脸伪造技术生成了五种类型的伪造图像，包括FaceSwap、SimSwap、FastReen、DualReen和MaskGAN。为了确保伪造方法的多样性，每种伪造方法都采用了不同的技术，例如FaceSwap和SimSwap用于人脸交换，FastReen和DualReen用于表情重演，MaskGAN用于属性操作。数据集中包含约3,000名来自四个种族（白人、亚洲人、非洲人和印度人）的个体，每个种族的个体数量大致相等。此外，数据集还包含了每种伪造方法的标签和四个种族的标签，以便进行公平性评估。

特点

FairFD 数据集的主要特点包括：1）包含大量主体，具有最大的规模；2）种族比例平衡，每个种族的个体数量大致相等；3）包含多样化的伪造生成图像，涵盖了五种不同的伪造方法，能够更全面地评估检测器的公平性；4）数据集还包含种族标签，便于进行公平性评估。此外，FairFD 数据集还包含了每种伪造方法的标签，可以更全面地评估检测器的公平性。

使用方法

FairFD 数据集可以用于评估人脸伪造检测器的公平性。首先，使用FF++ 数据集作为训练集，对检测器进行训练。然后，将FairFD 数据集作为测试集，对检测器进行评估。评估过程中，可以使用多种公平性指标，包括DPD、DEOdds、DEO、STD、AADPD、AADEOdds、AADEO、AASTD、URDPD、URDEOdds、URDEO和URSTD等。最后，根据评估结果，分析检测器的公平性，并对其进行改进。

背景与挑战

背景概述

随着深度图像生成技术的成功发展，伪造检测在社会和经济安全中扮演着越来越重要的角色。然而，在深度伪造检测领域，种族偏见尚未得到充分探索。Fair Forgery Detection (FairFD) 数据集的创建填补了这一空白，旨在研究种族偏见对伪造检测模型的影响。该数据集由西安电子科技大学和重庆邮电大学的团队于2024年7月22日发布，包含平衡的种族比例和多样化的伪造生成图像，为大规模的主体提供了最大的规模。该数据集的核心研究问题是评估现有伪造检测模型的种族公平性，并设计新的公平性指标以避免误导性的结果。

当前挑战

FairFD 数据集面临的挑战包括：1) 所解决的领域问题：当前伪造检测数据集在种族公平性评估方面存在不足，例如现有数据集通常具有有限的主体数量、缺乏伪造方法的多样性以及不平衡的种族比例。2) 构建过程中所遇到的挑战：为了解决现有数据集的局限性，FairFD 数据集在构建过程中需要收集平衡的种族数据、多样化的伪造方法以及大量的主体，这些都需要大量的时间和人力资源。此外，在评估伪造检测模型的公平性时，还需要设计新的公平性指标以避免误导性的结果。

常用场景

经典使用场景

Fair Forgery Detection (FairFD) 数据集在深度伪造检测领域具有重要的应用价值。该数据集通过提供均衡的人种比例和多样化的伪造生成图像，使得研究人员可以更全面地评估伪造检测模型的公平性。此外，FairFD 数据集还包含多种伪造方法，包括 FaceSwap、SimSwap、FastReen、DualReen 和 MaskGAN，从而为伪造检测模型的评估提供了更为全面的数据支持。

解决学术问题

FairFD 数据集解决了现有伪造检测数据集在种族公平性评估方面存在的不足。现有数据集通常存在样本数量有限、伪造方法单一以及人种比例不平衡等问题，这些问题限制了伪造检测模型公平性的评估。FairFD 数据集通过提供大规模的样本数量、多样化的伪造方法和均衡的人种比例，为伪造检测模型的公平性评估提供了更为全面和准确的数据支持。

衍生相关工作

FairFD 数据集的提出衍生了一系列相关工作。例如，FairFD 数据集的提出推动了伪造检测模型的公平性评估方法的改进，如 Approach Averaged Metric 和 Utility Regularized Metric。此外，FairFD 数据集还可以用于研究伪造检测模型的种族偏见问题，从而推动伪造检测技术的发展。