Federated learning is a privacy-preserving distributed framework that facilitates information fusion and sharing among different clients, enabling the training of a global model without exposing raw data. However, the gradient inversion attack that can reconstruct the training data via gradients has posed a significant threat. Prior attack approaches have demonstrated the efficacy of gradient inversion on low-resolution datasets with small batch sizes, which is impractical in real scenarios. To tackle this issue, this paper proposes an innovative and practical gradient inversion method, namely Deep Generative Gradient Inversion (DGGI), which employs the prior knowledge of diffusion models to enhance reconstruction performance on high-resolution datasets and larger batch sizes. Furthermore, a novel group consistency regularization term that constrains the distance between reconstruction and alignment images has been developed to address the issue of spatial variations caused by pre-trained diffusion model. Experiments conducted on both natural and medical image datasets demonstrate that our DGGI method outperforms state-of-the-art baselines in image reconstruction metrics. Furthermore, our approach achieves pixel-level reconstruction and causes leakage of privacy information, even at larger batch sizes or under various defenses, which can aid in the exploration of latent security concerns within information fusion models.

Due to the increasing sophistication of face forgery techniques, the images generated are becoming more and more realistic and difficult for human eyes to distinguish. These face forgery techniques can cause problems such as fraud and social engineering attacks in facial recognition and identity verification areas. Therefore, researchers have worked on face forgery detection studies and have made significant progress. Current face forgery detection algorithms achieve high detection accuracy within-dataset. However, it is difficult to achieve satisfactory generalization performance in cross-dataset scenarios. In order to improve the cross-dataset detection performance of the model, this paper proposes a multi-feature fusion network based on two-stream extraction and multi-scale enhancement. First, we design a two-stream feature extraction module to obtain richer feature information. Secondly, the multi-scale feature enhancement module is proposed to focus the model more on information related to the current sub-region from different scales. Finally, the forgery detection module calculates the overlap between the features of the input image and real images during the training phase to determine the forgery regions. The method encourages the model to mine forgery features and learns generic and robust features not limited to a particular feature. Thus, the model achieves high detection accuracy and performance. We achieve the AUC of 99.70% and 90.71% on FaceForensics++ and WildDeepfake datasets. The generalization experiments on Celeb-DF-v2 and WildDeepfake datasets achieve the AUC of 80.16% and 65.15%. Comparison experiments with multiple methods on other benchmark datasets confirm the superior generalization performance of our proposed method while ensuring model detection accuracy. Our code can be found at: https://github.com/1241128239/MFNet .