FAME：用于换脸深度伪造模型归因的轻量时空网络
计算机视觉与模式识别
2025-06-16 v1
摘要
换脸深度伪造视频的广泛出现对数字安全、隐私和媒体完整性构成了日益增长的风险，亟需有效的法医工具来识别此类操纵的来源。尽管大多数先前研究主要聚焦于二元深度伪造检测，但模型归因任务——确定哪个生成模型产生了给定的深度伪造——仍未得到充分探索。在本文中，我们提出了 FAME（通过多层嵌入进行伪造归因），一个轻量高效的时空框架，旨在捕捉不同换脸模型特有的细微生成性伪影。FAME 集成了空间和时间注意力机制，在保持计算效率的同时提高了归因准确性。我们在三个具有挑战性和多样化的数据集上评估了模型：深度伪造检测与操纵数据集（DFDM）、FaceForensics++ 和 FakeAVCeleb。结果表明，FAME 在准确性和运行时间方面持续优于现有方法，突显了其在真实世界法医和信息安全应用中的部署潜力。
引用
@article{arxiv.2506.11477,
title = {FAME: A Lightweight Spatio-Temporal Network for Model Attribution of Face-Swap Deepfakes},
author = {Wasim Ahmad and Yan-Tsung Peng and Yuan-Hao Chang},
journal= {arXiv preprint arXiv:2506.11477},
year = {2025}
}