面向可泛化人脸伪造检测的低秩正交子空间干预
计算机视觉与模式识别
2026-03-11 v2
摘要
泛化问题仍然是人脸伪造检测的关键挑战。本文探讨了 Vanilla CLIP 泛化失败的原因：在“真 vs. 假”检测中，特征空间中的少数主导主成分主要编码与伪造无关的信息，而非真实的伪造痕迹。然而，这些无关信息不可避免地导致虚假相关性，严重限制了检测器性能。我们将此现象定义为“低秩虚假偏差”。为解决此问题，我们从因果表示学习的视角提出了一种低秩表示空间干预范式，称为 SeLop。SeLop 将与伪造无关的虚假相关因素统一到一个低秩子空间中，并切断其与标签之间的统计捷径，从而使表示学习与真实的伪造痕迹对齐。具体而言，我们通过正交低秩投影将虚假相关特征分解到一个低秩子空间，然后从原始表示中移除此子空间，并训练其正交补以捕获伪造相关特征。这种低秩投影移除有效消除了虚假相关因素，确保分类决策基于真实的伪造线索。仅使用 0.39M 可训练参数，我们的方法在多个基准测试中取得了最先进的性能，展现出卓越的鲁棒性和泛化能力。
引用
@article{arxiv.2601.11915,
title = {Low-rank Orthogonal Subspace Intervention for Generalizable Face Forgery Detection},
author = {Chi Wang and Xinjue Hu and Boyu Wang and Ziwen He and Zhangjie Fu},
journal= {arXiv preprint arXiv:2601.11915},
year = {2026}
}