对抗取证操作下的攻击感知深度伪造检测
计算机视觉与模式识别
2025-12-30 v1 人工智能
摘要
本工作提出了一种攻击感知的深度伪造和图像取证检测器，旨在实际部署条件下实现鲁棒性、良好校准的概率和透明的证据。该方法将红队训练与随机化测试时防御结合在一个双流架构中，其中一个流使用预训练骨干网络编码语义内容，另一个流提取取证残差，通过轻量级残差适配器融合进行分类，而一个浅层特征金字塔网络（Feature Pyramid Network）风格的头在弱监督下生成篡改热力图。红队训练对每批数据应用最坏情况的K种反取证操作，包括JPEG重对齐和重压缩、重采样扭曲、去噪到重新加噪操作、接缝平滑、小幅度颜色和伽马偏移以及社交应用转码，而测试时防御则注入低成本的抖动，如调整大小和裁剪阶段变化、轻微伽马变化以及带有聚合预测的JPEG阶段偏移。热力图通过人脸框掩码引导集中在面部区域，无需严格的像素级标注。在现有基准上的评估，包括标准深度伪造数据集和具有低光照和重度压缩的监控风格划分，报告了干净和攻击下的性能、AUC、最坏情况准确率、可靠性、弃权质量以及弱定位分数。结果表明，在各种攻击下近乎完美的排序、低校准误差、最小的弃权风险以及在重新加噪下的受控性能下降，为具有校准概率和可操作热力图的攻击感知检测建立了一个模块化、数据高效且可实际部署的基线。
引用
@article{arxiv.2512.22303,
title = {Attack-Aware Deepfake Detection under Counter-Forensic Manipulations},
author = {Noor Fatima and Hasan Faraz Khan and Muzammil Behzad},
journal= {arXiv preprint arXiv:2512.22303},
year = {2025}
}