基于证据的决策建模与不确定性驱动主动学习的合成人脸检测
摘要
随着深度生成模型的快速发展，伪造人脸图像被大量用于非法活动。尽管现有的合成人脸检测方法取得了显著进展，但由于依赖 Softmax 激活函数，它们存在过度自信的固有局限性。因此，这些方法在遇到未知的分布外（OOD）图像时常常导致不可靠的预测，并且无法确定模型预测中的不确定性。同时，现有大多数方法需要大量高质量标注数据，这极大限制了它们在多样场景中的实用性。为了解决这些局限性，我们提出了 EMSFD（基于证据的决策建模与不确定性驱动主动学习的合成人脸检测），这是一种旨在增强检测可靠性和泛化能力的方法。具体而言，EMSFD 使用 Dirichlet 分布对类别证据进行建模，并将模型不确定性显式地纳入预测过程。此外，在训练期间，利用估计出的不确定性从无标注数据池中优先选择信息量更大的样本进行标注，从而降低标注成本并提高模型泛化能力。广泛的实验评估表明，我们的方法增强了合成人脸检测的可解释性。同时，与现有最先进（SOTA）基线相比，我们的方法准确率提高了 15%，证明了本方法优越的检测性能和泛化能力。我们的代码可在以下地址获取：https://github.com/hzx111621/EMSFD。
引用
@article{arxiv.2605.09935,
title = {Evidence-based Decision Modeling for Synthetic Face Detection with Uncertainty-driven Active Learning},
author = {Qingchao Jiang and Zhenxuan Hou and Zhiying Zhu and Zhenxing Qian and Xinpeng Zhang and Zaiwang Gu},
journal= {arXiv preprint arXiv:2605.09935},
year = {2026}
}
备注
The sole reason for our withdrawal application is that we have identified critical areas in our manuscript that require substantial revision and improvement to meet rigorous scientific standards. Our only intention is to retract the current draft to revise and enhance it, with no plans to replace it with a different version or redirect readers to other sources at this time