超越 Deepfake 与真实：开放集范式下的人脸 Deepfake 检测

诸如 deepfake 等人脸伪造方法可能被滥用于身份操纵和传播虚假信息。它们随着生成式 AI 的进步而不断演进，导致了偏离现有“已知”方法的更新颖、更复杂的伪造技术。传统的 deepfake 检测方法采用闭集范式，从而限制了其在检测使用不属于训练数据集的方法所创建的伪造品时的适用性。在本文中，我们提出将 deepfake 检测从闭集范式转变。在开放集范式中，模型不仅被设计用于识别由已知人脸伪造方法创建的图像，还被设计用于将那些由先前未知方法产生的图像识别并标记为“未知”，而不是未伪造或真实或未篡改的。在本文中，我们提出了一种基于监督对比学习的开放集 deepfake 分类算法。我们模型中使用的开放集范式使其能够作为一种更稳健的工具，能够处理新兴和未见过的 deepfake 技术，增强可靠性和置信度，并补充取证分析。在开放集范式中，我们识别出三个组，包括既不被视为已知 deepfake 也不被视为真实的“未知”组。我们跨三个场景研究 deepfake 开放集分类：将来自未知方法的 deepfake 分类为非真实、区分真实图像与 deepfake，以及将来自已知方法的 deepfake 进行分类，使用 FaceForensics++ 数据集作为基准。我们的方法在前两项任务中取得了 state-of-the-art 的结果，在第三项任务中取得了具有竞争力的结果。