揭露并缓解深度伪造视频检测中的时序攻击
计算机视觉与模式识别
2026-05-11 v1 人工智能
摘要
虽然时空深度伪造检测器实现了高 AUC，但我们的实验显示其对规避攻击极其脆弱。这些模型倾向于过度依赖脆弱的时序频谱线索，而非学习鲁棒的语义因果关系。为缓解此脆弱性，我们提出 SpInShield，一个专为解耦语义运动与可操控频谱伪影而设计的时序频谱不变防御框架。我们提出可学习的频谱对手，动态合成严重的频谱变形，模拟极端攻击场景。通过采用捷径抑制优化策略，SpInShield 要求编码器提取可靠的法forensic 线索，同时从潜在空间中淘汰不稳定的频谱统计信息。实验表明，SpInShield 在广泛使用的数据集上实现了具竞争力的性能，并在模拟幅度频谱攻击下比最强基线方法提高了 21.30 个百分点。
引用
@article{arxiv.2605.07398,
title = {Exposing and Mitigating Temporal Attack in Deepfake Video Detection},
author = {Zheyuan Gu and Minghao Shao and Zhen Wang and Yusong Wang and Mingkun Xu and Shijie Zhang and Hao Jiang},
journal= {arXiv preprint arXiv:2605.07398},
year = {2026}
}