ForensicFlow：用于鲁棒深度伪造检测的三模自适应网络
计算机视觉与模式识别
2026-01-01 v2 密码学与安全
机器学习
摘要
现代深度伪造通过留下细微的、特定于领域的痕迹，以规避单一分支网络的检测。 ForensicFlow通过在三个 forensic 维度上融合证据来解决这一问题：全局视觉不一致性（通过ConvNeXt-tiny）、 细粒度纹理异常（通过Swin Transformer-tiny）以及谱噪声模式（通过带通道注意力的CNN）。我们的注意力驱动的时序池化动态地优先选择高证据帧，同时自适应地为每个分支分配权重以适应不同的伪造类型。在CelebDF(v2)上进行训练，我们实现了AUC 0.9752、F1 0.9408和准确率0.9208，优于单流检测器。消融研究确认分支之间的协同作用，Grad-CAM可视化验证了对真实操纵区域（例如面部边界）的关注。这种多域融合策略在面对越来越复杂的伪造物件时具有鲁棒性。
引用
@article{arxiv.2511.14554,
title = {ForensicFlow: A Tri-Modal Adaptive Network for Robust Deepfake Detection},
author = {Mohammad Romani},
journal= {arXiv preprint arXiv:2511.14554},
year = {2026}
}
备注
12 pages, 4 figures, 2 tables. Preprint. First submitted on November 18, 2025; revised December 30, 2025