学习发现人脸篡改线索用于人脸篡改检测

定位操作图（即人脸篡改线索的像素级注释），对于在人脸篡改检测中提供可解释的检测结果至关重要。相关学习对象也被广泛用作辅助任务，以提高检测器的分类性能，而这些方法需要对比配对的真实人脸和被篡改人脸才能获得操作图作为监督。这一要求限制了其在未配对人脸上的适用性，与实际场景相矛盾。此外，所使用的比较方法会标注所有更改的像素，包括压缩和上采样引入的噪声。将此类图作为监督会阻碍可利用线索的学习，使模型易于过拟合。为此，我们在本文中引入一种弱监督模型，命名为FoCus（Forgery Cue Discovery），用于在未配对人脸上定位人脸篡改线索。与某些声称在注意力图中定位被篡改区域的检测器不同，FoCus旨在规避其捕获部分和不准确人脸篡改线索的局限性。具体而言，我们提出了一种分类注意力区域提议模块，用于在分类期间定位人脸篡改线索，并提出一种互补学习模块以促进更丰富线索的学习。产生的操作图可作为更好的监督来增强人脸篡改检测器。对FoCus产生的操作图的可视化结果在可解释性和鲁棒性方面优于现有方法。在五个数据集和四个多任务模型上的实验表明，FoCus在内数据集和跨数据集评估中均有效。