AOT：基于外观最优传输的换脸伪造检测身份交换方法

近期研究表明，利用多样且具挑战性的 Deepfakes 数据集可提升伪造检测性能。然而，由于缺乏外观差异大的 Deepfakes 数据集（近期身份交换方法难以生成此类数据），检测算法在此情形下可能失效。本工作中，我们提供一种具有大外观差异的用于人脸伪造检测的新身份交换算法。外观差距主要源于真实场景中广泛存在的光照与肤色上的巨大差异。然而，由于对复杂外观映射建模的困难，在保持身份特征的同时自适应地迁移细粒度外观具有挑战性。本文将外观映射表述为最优传输问题，并提出外观最优传输模型（AOT）在隐空间与像素空间对其进行建模。具体地，设计了一个重光照生成器来模拟最优传输计划。该计划通过最小化隐空间中学习特征的 Wasserstein 距离求解，相比传统优化具有更优性能与更少计算量。为进一步细化最优传输计划的解，我们设计了一个分割博弈以最小化像素空间中的 Wasserstein 距离。引入一个判别器从真实与伪造图像块混合中区分伪造部分。大量实验表明，与最先进方法相比我们的方法具有优越性，且我们生成的数据能够提升人脸伪造检测性能。