用于通用人脸伪造检测的双重对比学习
计算机视觉与模式识别
2021-12-28 v1
摘要
随着各种面部操控技术的出现，出于安全考虑，人脸伪造检测已引起越来越多的关注。以往工作总是将人脸伪造检测制定为基于交叉熵损失的分类问题，其强调类别级差异而非真实与伪造人脸之间的本质差异，限制了模型在未知域中的泛化能力。为解决此问题，我们提出一种新颖的人脸伪造检测框架，称为双重对比学习（DCL），它专门构造正负配对数据并在不同粒度上执行所设计的对比学习，以学习泛化特征表示。具体而言，结合难样本选择策略，首先提出实例间对比学习（Inter-ICL），通过特别构造实例对来促进任务相关判别性特征的学习。此外，为进一步探索本质差异，引入实例内对比学习（Intra-ICL），通过构造实例内部局部区域对来关注伪造人脸中普遍存在的局部内容不一致性。在多个数据集上的大量实验与可视化证明了我们的方法相对于最先进（SOTA）竞争对手的泛化性。
引用
@article{arxiv.2112.13522,
title = {Dual Contrastive Learning for General Face Forgery Detection},
author = {Ke Sun and Taiping Yao and Shen Chen and Shouhong Ding and Jilin L and Rongrong Ji},
journal= {arXiv preprint arXiv:2112.13522},
year = {2021}
}
备注
This paper was accepted by AAAI 2022 Conference on Artificial Intelligence