CoReD：基于蒸馏的持续表示泛化假媒体检测

在过去的几十年里，人工智能研究取得了巨大进步，但仍然严重依赖固定数据集和静态环境。持续学习是一个不断发展的研究领域，它考察人工智能系统如何像生物系统一样从连续的关联数据流中顺序学习。与此同时，深度伪造和合成人脸图像等假媒体已成为当前多媒体技术的重要议题。近来，已有许多方法被提出，能够以高准确率检测深度伪造，但由于其在有限评估设置中依赖固定数据集，它们受到显著影响。因此，在本工作中，我们将持续学习应用于神经网络的学习动态，强调其显著增强数据效率的潜力。我们提出基于蒸馏的持续表示（CoReD）方法，该方法采用持续学习（CL）、表示学习（RL）和知识蒸馏（KD）的概念。我们设计 CoReD 以在新的深度伪造和 GAN 生成的合成人脸数据集上执行顺序域自适应任务，同时在师生模型设置中有效最小化灾难性遗忘。我们广泛的实验结果表明，我们的方法在域自适应上高效，可检测来自多个数据集的低质量深度伪造视频和 GAN 生成的图像，优于最先进的基线方法。