通过渐进性解耦净化混合身份捕获捕坏：针对深度伪造检测

深度伪造技术引发了严重的隐私泄露和信任问题。为应对这些挑战，深度伪造检测技术应运而生。当前方法过度依赖全局特征空间，其中包含与伪造artifact无关的冗余信息。结果是，现有的深度伪造检测技术在面对未知数据集时会出现性能下降。为减少信息冗余，当前方法使用解耦技术大致将假脸分离为artifact和内容信息。然而，这些方法缺乏坚实的解耦基础，无法保证解耦过程的可靠性。为解决这些问题，本文创新性地提出了一种基于渐进性解耦和净化混合身份的深度伪造检测方法。基于artifact生成机制，结合粗粒度和细粒度策略，以确保解耦方法的可靠性。本方法旨在更准确地捕获和分离假脸中的artifact特征。具体而言，首先对假脸进行粗粒度解耦，以获得一对无需额外注释即可区分源脸和目标脸的混合身份。然后分离每个身份的artifact特征，以实现细粒度解耦。基于信息瓶颈理论，设计了一个身份-artifact相关性压缩模块（IACC），有效减少身份信息与artifact之间的潜在相关性。此外，设计了一个身份-artifact分离对比损失，以增强解耦后artifact特征的独立性。最后，分类器仅关注纯粹的artifact特征，以实现通用的深度伪造检测器。