LucaCorvitto/TheMoreAttractive_TheMoreReal

该数据集是通过stablediffusionapi/realistic-vision-v51模型生成的完整图像集合，使用的是官方论文git仓库中列出的提示集。这些数据与一项关于年轻人和老年人在深度伪造检测中的认知过程的研究相关。

This dataset is the complete set of images generated through the stablediffusionapi/realistic-vision-v51 model using the set of prompts listed in the official paper git repo. It is related to a study on the cognitive processes involved in deepfake detection in young and older adults.

搜集汇总

数据集介绍

构建方式

该数据集基于视觉认知科学领域对深度伪造检测的研究需求构建而成，旨在探究面部吸引力如何影响不同年龄段人群对虚假图像的感知判断。所有图像均通过stablediffusionapi/realistic-vision-v51模型生成，该模型以生成高度逼真的人脸图像而著称。研究者依据官方论文代码仓库中列出的提示词集合，系统性地生成了一组完整的面部图像，从而构建出用于实验刺激的材料库。

特点

数据集的核心特色在于聚焦于深度伪造检测中的认知机制差异，尤其关注年轻与老年群体在识别虚假人脸时的行为表现。图像生成过程中精心设计的提示词确保了数据集中面部吸引力呈现出多样化的分布，使得吸引力成为操控变量，便于后续分析其对真实性判断的潜在影响。数据集具备高度的实验可控性与可重复性，为研究深度伪造的社会认知效应提供了标准化材料。

使用方法

该数据集可直接用于心理学与计算机视觉交叉领域的研究实验，支持研究者将图像作为刺激材料呈现给不同年龄段的被试，记录其真伪判断结果与反应时。开发者建议依据原始论文的实验范式设定分组对照，利用数据集中的图像索引与相关元数据进行条件筛选。此外，数据集采用MIT许可证发布，允许自由使用与修改，便于社区进行扩展研究或与其他认知实验工具集成。

背景与挑战

背景概述

在深度伪造技术迅猛发展的当下，其对信息真实性构成的威胁愈发严峻，尤其是面部伪造图像的识别成为认知科学与信息安全交叉领域的研究热点。该数据集由研究团队基于稳定扩散模型realistic-vision-v51生成，旨在探究年轻与老年群体在检测深度伪造图像时的认知差异。其核心研究问题聚焦于面部吸引力如何影响个体对真实与伪造图像的判断，这一创新视角为理解人类在复杂视觉信息处理中的认知偏差提供了崭新的实验基础。通过系统化的提示词生成图像，该数据集为后续相关实验的可重复性与对比研究奠定了重要基础。

当前挑战

该数据集所面对的挑战多维且复杂。在领域问题层面，深度伪造检测长久以来依赖于技术算法，而人类认知因素如年龄、注意力与审美偏好对检测准确率的干扰仍未被充分解释，尤其是吸引力可能诱发的认知偏差加剧了鉴别难度。在数据集构建过程中，挑战来自生成图像的逼真度控制与多样性平衡，需确保不同吸引力级别的图像在背景、光照等混淆变量上保持均衡，同时避免模型本身产生的伪造特征被混淆为真实的个体差异。此外，跨年龄组视觉感知能力的差异也对图像样本的代表性提出更高要求。

常用场景

经典使用场景

该数据集广泛应用于探究人类对深度伪造（deepfake）图像的认知检测机制，尤其聚焦于面部吸引力如何影响个体对图像真实性的判断。研究者利用该数据集设计实验，通过控制图像的真实性与吸引力维度，系统考察年轻与老年群体在识别伪造面孔时的认知差异。作为心理学与人工智能交叉领域的典型工具，它被用于评估视觉感知、注意资源分配以及社会认知偏见在深度伪造检测中的交互作用。

衍生相关工作

该数据集衍生了两大类经典工作：一类基于认知心理学实验范式，如结合眼动追踪技术分析不同年龄组对假脸图像的注视模式差异；另一类则推动计算建模研究，例如构建“吸引力-真实性”双通道神经网络模型，模拟人类在快速判断时的认知权衡机制。最新前沿工作甚至将其与脑电信号（EEG）结合，试图从神经层面揭示审美偏好对真伪区辨的调控路径。

数据集最近研究

最新研究方向

该数据集聚焦于深度伪造检测中个体认知差异的前沿探索，尤其关注年龄与面部吸引力如何交互影响人类对AI生成图像的辨别能力。借助Stable Diffusion模型生成的逼真人脸，研究者得以系统考察年轻与老年群体在识别深度伪造时的认知加工机制，揭示了高吸引力面孔往往降低检测准确率的心理效应。这一方向与当前社交网络上生成式AI引发的虚假信息泛滥热点紧密呼应，为发展更符合人类认知特性的伪造检测算法提供了重要实证基础，同时也为应对老龄化社会中的数字甄别挑战奠定了数据与理论支撑。