DeFakeQ：通过自适应双向量化实现边缘设备上的实时深度伪造检测
计算机视觉与模式识别
2026-04-13 v1
摘要
深度伪造检测是现代媒体取证的基本组成部分。尽管检测精度取得了显著进步，但大多数现有方法仍计算密集且参数冗余，限制了其在需要实时、现场推理的资源受限边缘设备上的部署。这种限制在移动设备广泛用于媒体中心应用（包括在线支付、虚拟会议和社交网络）的时代尤为关键。同时，由于深度伪造检测需要捕捉极其细微的伪造痕迹，先进的量化技术通常表现不佳。这些细粒度线索对模型压缩极其敏感，在量化过程中容易被削弱，导致显著的性能下降。这凸显了针对深度伪造检测所必需的判别特征设计量化策略的需求。为此，我们提出了 DeFakeQ——首个专为深度伪造检测器设计的量化框架，实现边缘设备上的实时部署。我们的方法引入了新颖的自适应双向压缩策略，同时利用特征相关性并消除冗余，在模型紧凑性和检测性能之间实现了有效平衡。广泛的实验覆盖五个基准数据集和十一个最先进的骨干检测器，表明 DeFakeQ 在所有现有量化和模型压缩基准上均显著优于后继者。进一步，我们在移动设备上进行实际部署，证明了其在边缘环境中实现实时深度伪造检测的能力及其实际应用前景。
引用
@article{arxiv.2604.08847,
title = {DeFakeQ: Enabling Real-Time Deepfake Detection on Edge Devices via Adaptive Bidirectional Quantization},
author = {Xiangyu Li and Yujing Sun and Yuhang Zheng and Yuexin Ma and Kwok-Yan Lam},
journal= {arXiv preprint arXiv:2604.08847},
year = {2026}
}