Face-D(^2)CL：面部深度伪造检测的多域协同表示与双连续学习
计算机视觉与模式识别
2026-04-10 v1 人工智能
摘要
面部伪造技术的快速发展对公众信任和信息安全构成严重威胁，使面部深度伪造检测成为关键研究优先级。连续学习提供了有效的适应面部深度伪造模型应对不断演变的伪造模式的方法。然而，现有方法在实际的连续学习场景中面临两个关键瓶颈：特征表示不足和灾难性遗忘。为此，我们提出了 Face-D(^2)CL 框架，用于面部深度伪造检测。它利用多域协同表示融合空间和频域特征，以全面捕捉多样化的伪造痕迹，并采用双连续学习机制结合弹性权重整合（EWC），区分真实与伪造样本的参数重要性，以及正交梯度约束（OGC），确保任务特定适配器的更新不会干扰先前学习的知识。这种协同作用使模型能够在不依赖历史数据回放的情况下，实现对抗遗忘能力与对新兴面部伪造范式适应性之间的动态平衡。大量实验表明，我们的方法在稳定性和可塑性上均优于当前 SOTA 方法，平均检测错误率降低 60.7%。在未出现的伪造域上，平均检测 AUC 相较于当前 SOTA 方法提高 7.9%。
引用
@article{arxiv.2604.08159,
title = {Face-D(^2)CL: Multi-Domain Synergistic Representation with Dual Continual Learning for Facial DeepFake Detection},
author = {Yushuo Zhang and Yu Cheng and Yongkang Hu and Jiuan Zhou and Jiawei Chen and Yuan Xie and Zhaoxia Yin},
journal= {arXiv preprint arXiv:2604.08159},
year = {2026}
}