DeiTFake: 使用 DeiT 多阶段训练的深度伪造检测模型
计算机视觉与模式识别
2026-03-06 v1 密码学与安全
摘要
深度伪造 (deepfakes) 构成数字媒体完整性的主要威胁。我们提出 DeiTFake，这是一种基于 DeiT 的 transformer 和一种新颖的两阶段渐进式训练策略，逐步增加数据增强的复杂度。该方法应用初始 transfer-learning 阶段使用标准数据增强，然后使用高级仿射和深度伪造特定数据增强进行微调。DeiT 的知识蒸馿模型捕获细微的操纵痕迹，提高了检测模型的鲁棒性。在 190,335 张图像的 OpenForensics 数据集上训练，DeiTFake 在阶段一实现 98.71% 的准确率，阶段二实现 99.22% 的准确率且 AUROC 为 0.9997，超越了最新的 OpenForensics 基线方法。我们分析了数据增强的影响和训练计划，为面部深度伪造检测提供了实用的基准。
引用
@article{arxiv.2511.12048,
title = {DeiTFake: Deepfake Detection Model using DeiT Multi-Stage Training},
author = {Saksham Kumar and Ashish Singh and Srinivasarao Thota and Sunil Kumar Singh and Chandan Kumar},
journal= {arXiv preprint arXiv:2511.12048},
year = {2026}
}