FreqDebias：基于一致性驱动频率去偏的泛化深度伪造检测
计算机视觉与模式识别
2025-09-29 v1
摘要
由于从有限的训练数据中学习到了偏差，深度伪造检测器通常难以泛化到新型的伪造类型。在本文中，我们识别出一种频域中新型模型偏差，称为谱偏差，即检测器过度依赖特定频带，限制了其跨未见伪造的泛化能力。为解决此问题，我们提出了 FreqDebias，一个通过两种互补策略缓解谱偏差的频率去偏框架。首先，我们引入了一种新颖的伪造混合（Fo-Mixup）数据增强方法，动态地多样化训练样本的频率特征。其次，我们结合了双重一致性正则化（CR），通过类激活图（CAM）施加局部一致性，并通过超球面嵌入空间上的 von Mises-Fisher（vMF）分布施加全局一致性。这种双重 CR 通过在局部和全局监督下促进一致的表示学习，缓解了对特定频率分量的过度依赖。大量实验表明，FreqDebias 显著增强了跨域泛化能力，并在跨域和域内设置中均优于 SOTA 方法。
引用
@article{arxiv.2509.22412,
title = {FreqDebias: Towards Generalizable Deepfake Detection via Consistency-Driven Frequency Debiasing},
author = {Hossein Kashiani and Niloufar Alipour Talemi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2509.22412},
year = {2025}
}
备注
Accepted to the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2025)