面向图像伪造检测的通用且自适应框架 Loupe
计算机视觉与模式识别
2026-01-06 v2 人工智能
摘要
生成模型的不断涌现引发了对视觉内容伪造的严重担忧。现有的深度伪造检测方法主要针对图像级分类或像素级定位。虽然一些方法取得了高准确率，但往往在不同操纵类型之间存在有限的泛化性，或依赖复杂的体系结构。本文提出了 Loupe，一个轻量且高效的框架，用于深度伪造检测和定位。Loupe 将感知补丁的分类器和带条件查询的分割模块集成在一起，实现了全局真实性分类和细粒度掩码预测的同步。为增强对测试集分布迁移的鲁棒性，Loupe 引入了基于伪标签引导的测试时适应机制，通过利用补丁级别的预测来监督分割头。大量实验表明，Loupe 在 DDL 数据集上实现了最先进的性能，在 IJCAI 2025 深度伪造检测与定位挑战赛中获得总分 0.846 的第一名。我们的結果验证了所提出补丁级融合和条件查询设计在提高分类准确率和空间定位方面在各种伪造模式下的有效性。代码可在 https://github.com/Kamichanw/Loupe 获取。
引用
@article{arxiv.2506.16819,
title = {Loupe: A Generalizable and Adaptive Framework for Image Forgery Detection},
author = {Yuchu Jiang and Jiaming Chu and Jian Zhao and Xin Zhang and Xu Yang and Lei Jin and Chi Zhang and Xuelong Li},
journal= {arXiv preprint arXiv:2506.16819},
year = {2026}
}
备注
There is some controversy over the methods of the content