公平深度伪造检测器可实现泛化

深度伪造检测模型面临两个关键挑战：对未见操纵的泛化以及人口群组间的公平性。然而，现有方法往往显示，这两个目标本质上存在冲突，揭示了它们之间存在权衡。本文首次发现并正式定义了公平性与泛化之间的因果关系。基于背门准则，我们展示，通过控制混杂因子（数据分布和模型容量）可实现通过公平干预提升泛化。围绕这一洞察，我们提出了人口统计属性无感干预检测（DAID）框架，其包含：i）人口统计感知数据再平衡，采用逆置概率加权和子群特征归一化以中和分布偏差；ii）人口统计无感特征聚合，采用新颖的对齐损失抑制敏感属性信号。在三个跨域基准测试中，DAID在公平性和泛化方面均显著优于多个最新检测器，验证了其理论基础和实际有效性。