持续假媒媒体检测：适应新生成技术的深度伪造检测器
计算机视觉与模式识别
2024-09-18 v1 人工智能
摘要
生成技术持续以惊人的速度演进，这种快速发展严重限制了深度伪造检测器的实际应用。尽管科学界已通过众多努力提升检测器性能，但面对不断变化的内容，检测器仍难以实现足够的鲁棒性。为此，本文分析了两种持续学习技术在短序列和长序列假媒体上的应用。两个序列均包含来自GAN、计算机图形技术及未知来源生成的复杂且多样化的深度伪造样本。我们的研究表明，持续学习在缓解模型对新技术的适应性需求方面具有重要意义。尽管存在一定局限性，持续学习方法有助于在整个训练序列上维持良好的检测性能。然而，任务序列中的顺序和相似性会显著影响模型随时间的性能。为此，我们展示了可基于任务相似性对任务进行分组的策略，可在更长序列中实现显著性能提升。这一结果表明，持续学习技术可与最具前景的检测方法结合，使其能够跟上最新的生成技术。此外，我们提出了将该学习方法整合到深度伪造检测管道中的概览，实现持续集成和持续部署（CI/CD），以跟踪社交媒体、新的生成工具或第三方数据集的变更，通过持续学习实现检测器的常规维护。
引用
@article{arxiv.2406.08171,
title = {Continuous fake media detection: adapting deepfake detectors to new generative techniques},
author = {Francesco Tassone and Luca Maiano and Irene Amerini},
journal= {arXiv preprint arXiv:2406.08171},
year = {2024}
}