ADD：基于频率注意力与多视图的知识蒸馏以检测低质量压缩深度伪造图像
计算机视觉与模式识别
2021-12-08 v1
摘要
尽管基于深度学习的伪造检测器在区分被操纵的深度伪造图像方面取得了显著进展，大多数检测方法在面对低质量压缩深度伪造图像时仍会出现从中等到显著的性能下降。由于低质量图像中信息有限，检测低质量深度伪造仍是一项重要挑战。在本工作中，我们将频域学习和最优传输理论应用于知识蒸馏（KD），以专门提升低质量压缩深度伪造图像的检测能力。我们探索 KD 中的迁移学习能力，使学生网络能有效从低质量图像中学习判别性特征。具体而言，我们提出基于注意力的深度伪造检测蒸馏器（ADD），其包含两种新颖的蒸馏：1）频率注意力蒸馏，有效恢复学生网络中被移除的高频成分；2）多视图注意力蒸馏，通过在不同视图下切片教师与学生张量来创建多个注意力向量，从而更高效地将教师张量的分布迁移给学生。我们大量的实验结果表明，我们的方法在检测低质量压缩深度伪造图像上优于最先进的基线。
引用
@article{arxiv.2112.03553,
title = {ADD: Frequency Attention and Multi-View based Knowledge Distillation to Detect Low-Quality Compressed Deepfake Images},
author = {Binh M. Le and Simon S. Woo},
journal= {arXiv preprint arXiv:2112.03553},
year = {2021}
}