DPL：基于双重渐进学习的跨质量 DeepFake 检测

现实世界中的 DeepFake 视频常经历各种压缩操作，导致视频质量范围各异。这些不同的质量多样化了伪造痕迹的模式，显著增加了 DeepFake 检测的难度。为应对这一挑战，我们引入了新的双重渐进学习（DPL）框架，用于跨质量 DeepFake 检测。我们将此任务比作钻取地下水，低质量视频需要比高质量视频更多的努力。为实现这一目标，我们开发了两个基于序列的分支，以不同力度“钻取”水源。第一个分支根据视频质量（即时间步）级别逐步挖掘伪造痕迹，即由专门的 CLIP-based 指示器确定。在此分支中，设计了特征选择模块，以适当分配相应时间步的特征。考虑到不同技术在同一视频质量下可能引入不同的伪造痕迹，我们设计第二个分支针对伪造可辨识性进行补充。该分支以类似方式运行，与第一个分支共享特征选择模块。我们的设计利用了序列模型，其中计算单元在不同时间步之间共享权重并记忆先前的进度，从而优雅地实现了渐进学习，同时保持合理的内存成本。广泛的实验结果表明，我们的方法在跨质量 DeepFake 检测方面具有优势。