面向通用人脸伪造检测的第二阶局部异常学习
计算机视觉与模式识别
2022-10-03 v1
摘要
本文中，我们提出一种新方法以提升基于CNN的人脸伪造检测器的泛化能力。我们的方法考虑了人脸伪造算法中普遍存在的混合操作所引起的伪造人脸特征异常。具体而言，我们提出一个弱监督的第二阶局部异常（SOLA）学习模块，利用深度特征图挖掘局部区域中的异常。SOLA首先按不同方向与距离分解局部特征的邻域，随后计算一阶与二阶局部异常图，为分类器提供更具通用性的伪造痕迹。我们还提出一个局部增强模块（LEM）以改善真实区域与伪造区域局部特征间的判别性，从而保证异常计算的准确性。此外，引入一种改进的自适应空间富模型（ASRM），通过可学习高通滤波器帮助挖掘细微噪声特征。在无需像素级标注亦无外部合成数据的情况下，我们使用简单的ResNet18骨干网络的方法在未见伪造数据评估中与最先进工作取得具竞争力的性能。
引用
@article{arxiv.2209.15490,
title = {Learning Second Order Local Anomaly for General Face Forgery Detection},
author = {Jianwei Fei and Yunshu Dai and Peipeng Yu and Tianrun Shen and Zhihua Xia and Jian Weng},
journal= {arXiv preprint arXiv:2209.15490},
year = {2022}
}