CORE：用于人脸伪造检测的一致表示学习
计算机视觉与模式识别
2022-06-07 v1 密码学与安全
摘要
人脸操纵技术发展迅速并引起了广泛的公众关注。尽管普通卷积神经网络取得了可接受的性能，但它们存在过拟合问题。为缓解该问题，引入一些基于擦除的数据增强成为一种趋势。我们发现这些方法确实试图通过为不同增强图像分配相同标签来隐式地诱导不同增强间更一致的表示。然而，由于缺乏显式正则化，不同表示之间的一致性不尽如人意。因此，我们显式地约束不同表示的一致性，并提出了一种简单而有效的框架，即一致表示学习（CORE）。具体而言，我们首先通过不同增强捕获不同表示，然后正则化表示间的余弦距离以增强一致性。大量实验（数据集内和跨数据集）表明，CORE 优于最先进的人脸伪造检测方法。
引用
@article{arxiv.2206.02749,
title = {CORE: Consistent Representation Learning for Face Forgery Detection},
author = {Yunsheng Ni and Depu Meng and Changqian Yu and Chengbin Quan and Dongchun Ren and Youjian Zhao},
journal= {arXiv preprint arXiv:2206.02749},
year = {2022}
}
备注
Accepted by CVPRW 2022