Fake It till You Make It: 面向通用 Deepfake 检测的课程动态伪造增强

先前在 deepfake 检测中的研究表明,当测试与训练来自同一数据集的人脸伪造时取得了可喜的结果。然而,当试图将检测器泛化至来自未见数据集且由未见方法创建的伪造时,该问题仍具挑战性。在本工作中,我们提出了一种新颖的通用 deepfake 检测方法,称为课程动态伪造增强(CDFA),该方法联合训练 deepfake 检测器与伪造增强策略网络。与以往工作不同,我们提出在训练期间遵循单调课程逐步应用伪造增强。我们进一步提出了一种动态伪造搜索策略,以在训练阶段之间为每张图像选择一种合适的伪造增强操作,从而生成针对更好泛化性而优化的伪造增强策略。此外,我们提出了一种名为自偏移混合图像的新颖伪造增强,以简单地模仿 deepfake 生成的时间不一致性。综合实验表明,CDFA 能够以即插即用的方式显著提升各种朴素 deepfake 检测器的跨数据集和跨篡改性能,并使其在多个基准数据集上获得优于现有方法的性能。