/ Модель

Характеристики

Лицензия
MIT
Архитектура
ms_eff_gcvit · dense
Базовая модель
tf_efficientnet_b0.ns_jft_in1k
Библиотека
transformers
Опубликована
23 июн 2026

ms-eff-gcvit-deepfake-b0-kodf

Классификация изображенийИзображение → label3 профессии

Компактная модель MS-EffGCViT-B0 выявляет дипфейки на обрезанных изображениях лиц и кадрах видео.

6 999скачиваний за 30 дней2лайкавеса обновлены4 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MS-EffGCViT-B0 — компактная модель для обнаружения дипфейков, разработанная авторами проекта DeepGuard. Это гибридная архитектура CNN и Vision Transformer: CNN-эмбеддинг на основе MBConvBlocks сочетается с локальным и глобальным вниманием и объединением признаков нескольких масштабов. Модель принимает обрезанные изображения лиц; для видео классифицирует отдельные кадры, результаты которых можно агрегировать. Вариант B0 использует backbone tf_efficientnet_b0.ns_jft_in1k и входное разрешение 224×224.

Модель предназначена для бинарного различения подлинных и поддельных лиц, в том числе при проверке изображений и видеозаписей. По README, чекпойнт обучен на корейском наборе KoDF; описаны также тесты на Celeb-DF-v2 и FaceForensics++. В оценке на KoDF указаны accuracy 0,9655 и AUC 0,9792, тогда как результаты проверки на западных наборах существенно ниже, поэтому переносимость между доменами ограничена. Веса опубликованы в формате safetensors, лицензия — MIT.

Сценарии применения

  • проверка подлинности изображения лица
  • обнаружение дипфейков в видеокадрах
  • модерация пользовательских видео на подмену лица
  • анализ локальных артефактов генерации и монтажа

Ограничения

На кросс-доменной оценке результаты заметно слабее, чем на KoDF: accuracy составила 0,5579 на Celeb-DF-v2 и 0,4875 на FaceForensics++; показатели приведены в README и могут не отражать качество на других данных. Для анализа требуются обрезанные изображения лиц; описание не подтверждает надёжность на иных типах визуальных подделок.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

🚀 Multi Scale Efficient Global Context Vision Transformer

Task Image Classification Video Classification

FaceForensics++ Celeb-DF(v2) KODF

🔗 GitHub Repository: HanMoonSub/DeepGuard

🤗 Live demo: DeepFake Video Detection

🤗 Live demo: DeepFake Image Detection

🤗 Live demo: DeepFake Detection XAI

Multi-Scale Efficient Global Context Vision Transformer (MS-EffGCViT) is a hybrid CNN-ViT architecture for deepfake detection. It fuses CNN-driven spatial inductive bias with hierarchical global-context attention to catch both local artifacts (textures, blending seams) and global artifacts (lighting, structural inconsistency).

A single architecture ships in two sizes and three domain-tuned checkpoints, working on both static images and video at the frame level.

✨ Core Features

  • 🎞️ Frame-level — one model handles both images and videos (frame-level inference + aggregation).
  • 🌍 Cross-domain — robust on both East-Asian (KoDF) and Western (Celeb-DF-v2, FaceForensics++) faces.
  • ⚡🔥 Two variants — Fast (b0) for real-time/edge, Pro (b5) for enterprise accuracy.
  • 🧩 timm-compatible — load via the timm interface or the deepguard package.

⚙️ Model Specifications

SpecDetail
TaskBinary deepfake detection (real / fake)
DomainFrame-level, spatial-domain
InputImage or video (face-cropped)
OutputSigmoid probability in [0, 1] — higher = more likely fake
BackboneEfficientNet (ImageNet-1K pretrained)
FrameworkPyTorch / timm

🧬 Model Zoo

⚡ ms_eff_gcvit_b0 is Optimized for real-time inference and mobile deployment.

🔥 ms_eff_gcvit_b5 is Engineered for high-fidelity analysis and enterprise-grade accuracy.

Config⚡ Fast (b0)🔥 Pro (b5)
Model namems_eff_gcvit_b0ms_eff_gcvit_b5
Backbonetf_efficientnet_b0.ns_jft_in1ktf_efficientnet_b5.ns_jft_in1k
Resolution224×224384×384
Params (M)8.750.3
FLOPs (G)0.8713.64

📚 Dataset: KoDF (Korean Deepfake Dataset)

Large-scale Korean deepfake dataset provided by AI-Hub in 2020

featuring 400 Korean participants across 6 deepfake synthesis methods

  • Number of Subjects: 400 participants
  • Videos per Subject: 150+ videos
  • Total Data Duration: 88.5 days
  • Deepfake Model Variants: 6 types(DeepFaceLab, FaceSwap, FSGAN, FOMM, 3DMM, Wav2Lip)
MetricOriginal DataFake Data
Total Videos62,166175,776
Average Video Length90+ second15+ second
Total Duration1,500+ hours625+ hours
Resolution1920 X 10801920 X 1080
FPS30 FPS30 FPS
Total Frames162,000,000+--

📈 Test Evaluation

Trained and tested on the same dataset.

DatasetVariantAccuracyAUCLog Loss
KoDF⚡ Fast0.96550.97920.1237
KoDF🔥 Pro0.97920.98310.0692

📈 Cross-Dataset Evaluation (Trained on KoDF)

Generalization to unseen domains — trained on KoDF, evaluated on western-face datasets.

Tested onVariantAccuracyAUCLog Loss
Celeb-DF-v2⚡ Fast0.55790.47191.2605
Celeb-DF-v2🔥 Pro0.59460.54001.0078
FaceForensics++⚡ Fast0.48750.53411.6178
FaceForensics++🔥 Pro0.45250.59021.5321

🚀 Model Usage

pip install deepguard
from transformers import pipeline

🖼️ Image Classification

clf = pipeline(
    "image-classification",
    model="KoreaPeter/ms-eff-gcvit-deepfake-b0-kodf", 
    trust_remote_code=True,
)

# ── Basic Inference ───────────────────────────────────────────────
result = clf("face.jpg")
# [{'label': 'fake', 'score': 0.9712}, {'label': 'real', 'score': 0.0288}]

# ── Custom Parameters ─────────────────────────────────────────────
result = clf(
    "face.jpg",
    margin_ratio=0.2,      # Margin ratio around the detected face bbox (default: 0.2)
    conf_thres=0.5,        # Confidence threshold for YOLO face detection (default: 0.5)
    min_face_ratio=0.01,   # Minimum face-to-frame area ratio to process (default: 0.01)
    tta_hflip=0.0,         # Probability of horizontal flip for TTA (default: 0.0)
    top_k=1,               # Number of top labels to return (default: all)
)
# [{'label': 'fake', 'score': 0.9712}]

🎬 Video Classification

clf = pipeline(
    "video-classification",
    model="KoreaPeter/ms-eff-gcvit-deepfake-b0-kodf", 
    trust_remote_code=True,
)

# ── Basic Inference ───────────────────────────────────────────────
result = clf("video.mp4")
# [{'label': 'fake', 'score': 0.9634}, {'label': 'real', 'score': 0.0366}]

# ── Custom Parameters ─────────────────────────────────────────────
result = clf(
    "video.mp4",
    num_frames=20,              # Number of frames to sample (default: 20)
    margin_ratio=0.2,           # Margin ratio around the detected face bbox (default: 0.2)
    conf_thres=0.5,             # Confidence threshold for YOLO face detection (default: 0.5)
    min_face_ratio=0.01,        # Minimum face-to-frame area ratio to process (default: 0.01)
    tta_hflip=0.0,              # Probability of horizontal flip for TTA (default: 0.0)
    agg_mode="conf",            # Aggregation mode: 'conf' | 'mean' | 'vote' (default: 'conf')
    return_frame_scores=True,   # Return per-frame scores (default: False)
)
# [{'label': 'fake', 'score': 0.9634},
#  {'label': 'real', 'score': 0.0366},
#  {'frame_scores': [0.97, 0.95, 0.98, ...], 'agg_mode': 'conf'}]

Deep Dive into Model

Part 1: CNN-based Patch Embedding for Spatial Inductive Bias

While traditional Vision Transformers (ViTs) utilize a Linear Projection for patch embedding, our proposed model adopts a CNN-based Patch Embedding module incorporating MBConvBlocks.

  • Injecting Inductive Bias : Standard ViTs often suffer from a lack of inherent spatial inductive bias, typically necessitating massive datasets to learn fundamental visual structures from scratch. In contrast, our CNN-based module leverages overlapping receptive fields to facilitate information sharing between neighboring patches. By explicitly injecting this spatial bias into the architecture, the model achieves more stable and accelerated convergence during the training process.

Part 2: Long-Short Range Spatial Interaction

We utilizes two distinct types of self-attention to capture both long-range and short-range information across feature maps.

  • Local Window Attention: this model efficiently captures local textures and precise spatial details while maintaining linear computational complexity relative to the image size.

  • Global Window Attention: Unlike Swin Transformer, this module utilizes global-queries that interact with local window keys and values. This allows each local region to incorporate global context, effectively capturing long-range dependencies and providing a comprehensive understanding of the entire spatial structure

Part 3: Computational Efficiency

  • Efficient Backbone While both Xception and EfficientNet show great results on DeepFake benchmarks, EfficientNet is chosen for its superior computational efficiency. By utilizing MBconv (Inverted Residual Blocks) and depthwise convolutions, it achieves significantly lower FLOPS compared to Xception.

  • Window-based Attention: Instead of applying self-attention on raw images, this model operates on feature maps extracted from backbone blocks. By partitioning these maps into windows, the $O(N^2)$ complexity is restricted to the window size, siginificantly lowering the computational footprint.

Part 4: Multi-Scale Feature Map Fusion

Modern DeepFakes can leave very localized forgery region. To Capture this, we adopts a multi-scale strategy by extracting features from different levels of the backbone.

  • (Subtle Artifacts): High-Resolution feature maps are extracted from early backbone blocks(l_block_idx) to capture like skin texture or boundary artifacts

  • (Global Features): Low-Resolution feature maps are extracted from deeper blocks(h_block_idx) to analyze overall lighting, shadows, and structural consistency.

  • Feature Fusion: The Outputs from both branches (L-GCViT and H-GCViT) are fused to make a comprehensive decision based on both local and global context.

🤝 Citation

@misc{deepguard2026,
  title  = {DeepGuard: Multi-Scale Efficient Global Context Vision Transformer for Deepfake Detection},
  author = {seoyunje},
  year   = {2026},
  url    = {https://github.com/HanMoonSub/DeepGuard}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MsEffGCViTForImageClassification
Ревизия весов
4712bc7

0 моделей