面向深层fake检测的混合深度学习与法医方法
计算机视觉与模式识别
2025-11-03 v1 神经与进化计算
摘要
生成对抗网络(GANs)和扩散模型的快速演进使得合成媒体日益逼真，引发关于误information、身份欺诈和数字信任的社会担忧。现有的深度fake检测方法要么依赖深度学习，导致泛化性差且易受扭曲攻击，要么依赖法医分析，虽然可解释但受限于新操纵技术。本研究提出一种混合框架，将噪声残差、JPEG 压缩痕迹和频域描述符等法医特征与卷积神经网络(CNN)和视觉转换器(ViT)的深度学习表示相融合。在 FaceForensics++、Celeb-DF v2、DFDC 等基准数据集上进行评估，所提出的模型在所有单一方法基准和现有 SOTA 混合方法中 consistently 优于表现，并分别在 F1 分数上达到0.96、0.82和0.77。鲁棒性测试显示在压缩(F1=0.87 at QF=50)、对抗性扰动(AUC=0.84)和未见操纵(F1=0.79)下的性能稳定。重要的是，可解释性分析显示，Grad-CAM 和法医热图在82%的情况下与真实操纵区域重合，增强了透明度和用户信任。这些发现表明，混合方法提供了一种平衡解决方案，将深度模型的适应性与法医线索的可解释性相结合，以开发韧性可信的深度fake检测系统。
引用
@article{arxiv.2510.27392,
title = {A Hybrid Deep Learning and Forensic Approach for Robust Deepfake Detection},
author = {Sales Aribe},
journal= {arXiv preprint arXiv:2510.27392},
year = {2025}
}
备注
11 pages, 13 figures, 9 tables, Published with International Journal of Advanced Computer Science and Applications (IJACSA)