提升主动防御持久性：结合中断与投毒的深度伪造双阶段防御框架
计算机视觉与模式识别
2026-03-17 v3
摘要
已developed主动防御策略以对抗深度伪造技术的威胁，但其主要挑战是缺乏持久性，因为有效性往往短暂。攻击者可通过收集受保护样本并重新训练模型来规避这些防御。这意味着静态防御在攻击者重新训练模型后必然失败，严重限制了实际应用。我们认为有效防御不仅要扭曲伪造内容，还要阻止攻击者在受保护图像上重新训练模型的适应能力。为实现此目标，我们提出一种创新的双阶段防御框架 (TSDF)。得益于本文设计的强度分离机制，框架使用双功能对抗性扰动执行两个角色。首先，它能直接扭曲伪造结果；其次，它充当投毒载体，干扰攻击者重新训练管线中必需的数据准备过程。通过投毒数据源，TSDF旨在防止攻击者模型适应防御性扰动，从而确保防御长期有效。全面实验表明，传统中断方法在遭受对抗性重新训练时性能急剧下降，但我们的框架展现出强大的双重防御能力，显著提升了主动防御的持久性。我们的代码将公开于https://github.com/vpsg-research/TSDF。
引用
@article{arxiv.2508.07795,
title = {Boosting Active Defense Persistence: A Two-Stage Defense Framework Combining Interruption and Poisoning Against Deepfake},
author = {Hongrui Zheng and Yuezun Li and Liejun Wang and Yunfeng Diao and Zhiqing Guo},
journal= {arXiv preprint arXiv:2508.07795},
year = {2026}
}