LAA-Net：用于质量无关且可泛化的深度伪造检测的局部伪影注意力网络
计算机视觉与模式识别
2024-05-27 v2
摘要
本文介绍了一种用于高质量深度伪造检测的新方法，称为局部伪影注意力网络 (LAA-Net)。现有的高质量深度伪造检测方法主要基于监督式二分类器与隐式注意力机制的结合。因此，它们对未见过的篡改方法泛化能力不佳。为解决此问题，我们做出了两项主要贡献。首先，在多任务学习框架内提出了一种显式注意力机制。通过结合基于热力图和自一致性的注意力策略，LAA-Net 被迫关注少数易产生伪影的脆弱区域。其次，提出了一种增强型特征金字塔网络 (E-FPN)，作为一种简单有效的机制，将判别性的低级特征传播到最终特征输出中，其优势在于限制冗余。在多个基准数据集上进行的实验表明，我们的方法在曲线下面积 (AUC) 和平均精度 (AP) 方面具有优越性。代码可在 https://github.com/10Ring/LAA-Net 获取。
引用
@article{arxiv.2401.13856,
title = {LAA-Net: Localized Artifact Attention Network for Quality-Agnostic and Generalizable Deepfake Detection},
author = {Dat Nguyen and Nesryne Mejri and Inder Pal Singh and Polina Kuleshova and Marcella Astrid and Anis Kacem and Enjie Ghorbel and Djamila Aouada},
journal= {arXiv preprint arXiv:2401.13856},
year = {2024}
}
备注
Accepted by CVPR2024