基于可分离提示学习的泛化人脸伪造检测
计算机视觉与模式识别
2026-04-21 v1
摘要
利用CLIP进行人脸伪造检测近来已成为一个前景广阔且日益流行的研究方向。得益于大规模预训练所获得的丰富视觉知识，现有方法大多依赖CLIP的视觉编码器，而对文本模态的关注有限。鉴于文本模态的指导性，我们认为可以通过精心设计，利用它来指导深度伪造检测。因此，我们将焦点从视觉模态转移到文本模态，并提出了一种新的可分离提示学习策略（SePL），使CLIP能够作为有效的人脸伪造检测器。SePL的核心思想是通过两种类型的提示学习来解耦图像中的伪造特定信息和伪造无关信息，其中前者用于增强检测。为实现这种解耦，我们描述了一种跨模态对齐策略和一组专用目标函数。大量实验表明，通过这种简单的适配，我们的方法在跨数据集和跨方法评估下均取得了具有竞争力甚至更优的性能，凸显了其强大的泛化能力。代码已发布在https://github.com/OUC-YER/SePL-DeepfakeDetection。
引用
@article{arxiv.2604.17307,
title = {Generalizable Face Forgery Detection via Separable Prompt Learning},
author = {Enrui Yang and Yuezun Li},
journal= {arXiv preprint arXiv:2604.17307},
year = {2026}
}