直接差异重放：分布差异压缩与持续人脸伪造检测中的流形一致重放
计算机视觉与模式识别
2026-04-15 v1
摘要
持续人脸伪造检测（Continual Face Forgery Detection, CFFD）要求检测器在不忘记先前观察到的操纵方式的前提下学习新出现的伪造范式。现有的CFFD方法通常依赖重放少量过去的数据以缓解遗忘。这种重放通常通过存储少数历史样本或通过检测器依赖性扰动合成伪造样本来实现。在严格的内存预算下，前者无法充分覆盖多样化的伪造线索，可能暴露面部身份信息，而后者则严格依赖于过去的决策边界。我们认为，重放在CFFD中的核心作用是于后续训练期间恢复先前伪造任务的分布。为此，我们直接压缩真实与伪造分布之间的差异，并利用当前阶段的真实面部进行分布级别的重放。具体而言，我们引入分布差异压缩（Distribution-Discrepancy Condensation, DDC），通过特征函数空间中的代理分解模型化真实到伪造的差异，并将其压缩到一个小型分布差异图库中。我们进一步提出了持续一致性重放（Manifold-Consistent Replay, MCR），通过对这些图库与当前阶段真实面部进行方差保持的组合合成重放样本，生成既反映先前任务伪造线索又与当前真实面部统计信息兼容的样本。在极小的内存预算下且无需直接存储原始历史人脸图像的条件下，我们的框架持续优于先前的CFFD基线，显著缓解了灾难性遗忘。重放级别的隐私分析进一步表明，与基于选择的重放相比，身份泄露风险更低。
引用
@article{arxiv.2604.12941,
title = {Direct Discrepancy Replay: Distribution-Discrepancy Condensation and Manifold-Consistent Replay for Continual Face Forgery Detection},
author = {Tianshuo Zhang and Haoyuan Zhang and Siran Peng and Weisong Zhao and Xiangyu Zhu and Zhen Lei},
journal= {arXiv preprint arXiv:2604.12941},
year = {2026}
}