基于SE块注意力的深度伪造检测提升
计算机视觉与模式识别
2025-06-13 v1
摘要
在数字时代，深度伪造(Deepfake)正通过使用先进的人工智能技术创建高度令人信服的被操纵内容，威胁信息的真实性与安全性。这些精细的制造物在复杂性和逼真度上超越了传统检测方法。为此，我们旨在运用前沿深度学习方法构建一种创新的深度伪造检测模型。然而，大多数用于深度伪造检测的模型都较大，导致存储和内存消耗重。本研究提出一种用于深度伪造检测的轻量级卷积神经网络(CNN)，采用squeeze and excitation块注意力(SE)。SE块模块被设计用于执行动态的通道级特征校准。SE块使网络能够强调有信息的特征并抑制较少有用的特征，从而导致更高效、更有效的学习模块。该模块集成到一个简单的顺序模型中用于深度伪造检测。该模型规模更小，能够在深度伪造检测任务上与现有模型保持竞争的准确率。在Style GAN数据集上，模型实现了94.14%的总体分类准确率和0.985的AUC-ROC得分。我们的方法为在最小计算资源下对抗深度伪造挑战提供了可行之路，发展出高效可扩展的数字内容验证解决方案。
引用
@article{arxiv.2506.10683,
title = {Enhancing Deepfake Detection using SE Block Attention with CNN},
author = {Subhram Dasgupta and Janelle Mason and Xiaohong Yuan and Olusola Odeyomi and Kaushik Roy},
journal= {arXiv preprint arXiv:2506.10683},
year = {2025}
}