基于训练免费双系统框架提升自监督说话头伪造检测
计算机视觉与模式识别
2026-05-06 v1 人工智能
多媒体
摘要
受监督的说话头伪造检测因生成器持续演化而面临严重的泛化挑战。通过减少对生成器特定伪造模式的依赖，自监督检测器可提供更强的跨生成器鲁棒性。然而，现有研究主要聚焦于构建更强的检测器，而已训练检测器的判别能力仍未得到充分挖掘。特别是对于基于得分的自监督检测器，在难案例上的判别能力常体现在异常排序不可靠，仍有进一步优化的余地。鉴于此观察，我们灵感来自人类认知的双系统理论，提出一种训练免费的双系统 (TFDS) 框架，以进一步挖掘现有基于得分的自监督检测器潜在的判别能力。TFDS 将类似异常的得分作为 System-1 的基础，通过基于轻量阈值的路由将样本划分为确定性子集和不确定性子集。System-2 然后仅针对不确定性子集，进行基于细粒度证据导向的推理，以细化原得分分布中模糊样本的相对排序。广泛的实验表明，在数据集和扰动设置下均实现一致的改进，提升主要来自不确定性子集内部排序的纠正。这些发现表明，现有的自监督说话头伪造检测器仍包含未被充分挖掘的判别线索，通过训练免费的双系统推理可有效释放。
引用
@article{arxiv.2605.03390,
title = {Enhancing Self-Supervised Talking Head Forgery Detection via a Training-Free Dual-System Framework},
author = {Ke Liu and Jiwei Wei and Shuchang Zhou and Yutong Xiao and Ruikun Chai and Yitong Qin and Yuyang Zhou and Yang Yang},
journal= {arXiv preprint arXiv:2605.03390},
year = {2026}
}