基于强化学习的自适应数据增强提高深度伪造检测效果

深度伪造检测器的泛化能力对于实际应用至关重要。通过合成假脸生成的数据增强有效提升了泛化能力，但当前的最先进方法依赖于固定策略——这引出了一个关键问题：单一静态增强策略是否足够，还是说伪造特征的多样性需要动态方法？我们认为现有方法忽略了真实伪造日益复杂的特征（例如面部变形、表情操纵），而固定策略无法完全模拟。为此，我们提出了 CRDA (Curriculum Reinforcement-Learning Data Augmentation)，一个新型框架，引导检测器从简单到复杂逐步掌握多域伪造特征。CRDA 通过一个可配置的伪造操作池合成增强样本，并动态生成针对检测器当前学习状态的对抗样本。我们的核心方法是将强化学习 (RL) 与因果推断集成。RL 代理根据检测器性能动态选择增强动作，以高效探索广泛的增强空间，适应日益具备挑战性的伪造。同时，代理引入动作空间的变异，以引导生成异构的伪造模式，受因果推断指导，以缓解虚假关联——抑制任务无关偏差并聚焦于因果不变特征。该集成确保通过将合成增强模式与模型所学习的表征解耦，实现稳健的泛化。大量实验表明，我们的方法在深度伪造检测器的泛化能力方面显著优于领先方法，在多个跨域数据集上均取得优异成绩。