深度伪造哨兵：利用集成智能实现弹性检测与泛化

生成对抗网络（GAN）的最新进展实现了高质量的照片级图像生成。然而，此类生成媒体的恶意使用引发了对视觉错误信息的担忧。尽管深度伪造检测研究已显示出高准确率，但它容易受到生成技术的进步和针对检测对策的对抗性迭代的影响。为了解决这个问题，我们提出了一种主动且可持续的深度伪造训练增强解决方案，该方案将人工指纹引入模型。我们通过采用集成学习方法来实现这一点，该方法包含一个自动编码器池，模拟深度伪造生成器模型引入的伪影效果。在三个数据集上的实验表明，我们提出的基于集成自动编码器的数据增强学习方法在泛化能力、对噪声、模糊、锐度增强和仿射变换等基本数据扰动的抵抗能力、对JPEG等常用有损压缩算法的鲁棒性以及对抗对抗性攻击的增强抵抗力方面均有改进。