通过双路径引导利用未知来源的无标签数据进行深度伪造人脸检测
计算机视觉与模式识别
2025-11-26 v3 人工智能
摘要
现有的深度伪造检测方法高度依赖静态标注数据集。然而，随着生成模型的普及，实际场景中充斥着大量来自未知来源的无标签假脸数据，这 presents 一个关键困境：仅依赖现有数据的检测器面临泛化失败，而手动标注这种新数据流在面对高度逼真的伪造图像时不可行。更根本的挑战在于，与典型的无监督学习任务不同，真实人脸与假人脸共享相同的语义，这导致传统无监督策略性能下降。因此，迫切需要一种专为该场景设计的新范式，以有效利用这些无标签数据。本文提出了一种双路径引导网络（DPGNet），用于解决两个关键挑战：(1) 在不同生成模型生成的人脸之间建立域差异；(2) 利用无标签图像样本。该方法包含两个核心模块：文本引导的跨域对齐，利用可学习的线索将视觉和文本嵌入统一到域不变特征空间中；课程驱动的伪标签生成，动态利用无标签样本。在多个主流数据集上的大量实验表明，DPGNet显著优于现有技术，凸显其在应对深度伪造使用无标签数据挑战方面的有效性。
引用
@article{arxiv.2508.09022,
title = {Leveraging Unlabeled Data from Unknown Sources via Dual-Path Guidance for Deepfake Face Detection},
author = {Zhiqiang Yang and Renshuai Tao and Chunjie Zhang and guodong yang and Xiaolong Zheng and Yao Zhao},
journal= {arXiv preprint arXiv:2508.09022},
year = {2025}
}
备注
11pages,4figures